python 實現存儲數據到txt和pdf文檔及亂碼問題的解決

Posted on by

第一、幾種常用方法

讀取TXT文檔：urlopen()

讀取PDF文檔：pdfminer3k

第二、亂碼問題

(1)、

from urllib.request import urlopen
#訪問wiki內容
html = urlopen("https://en.wikipedia.org/robots.txt")
print(html.read())

輸出的結果中出現亂碼原因：

計算機隻能處理0和1兩個數字，所以想要處理文本，必須把文本變成0和1這樣的數字，最早的計算機使用八個0和1表示一個字節，所以最大能夠表示整數是255=11111111.如果想要表示更大的數，必須使用更多的字節。

由於計算機是美國人發明的，所以最早隻有127個字符被編寫進計算機，即常見的阿拉伯數字，字母大小寫，以及鍵盤上的符號。此編碼被稱為ASCII編碼，比如大寫字母A的ASCII編碼是65,65再被轉換二進制01000001，即是計算機處理的東西。

顯然，ASCII不能表示中文，故中國制定瞭自己的GB2312編碼，並且兼容ASCII編碼。問題是：使用GB2312編碼的慕課網三個字，假設編碼為61,62,63.但在ASCII碼表可能是其他字符。如下圖示，日文中的616263編碼成其他字符，打開後意思出錯。

解決方法：

國際上的unicode編碼，整合全世界所有編碼。故unicode編碼的內容在任一臺計算機用unicode仍正常打開

又對於A,ASCII編碼為01000001，Unicode編碼：0000000001000001此時浪費空間

故出現UTF-8編碼：01000001此時用兩個八位存儲中文。

(2)、記事本使用unicode編碼，將記事本存到計算機時，將轉化為utf-8儲存。

在計算機中打開文本時，將轉化為unicode編碼

存儲原因：使用utf-8儲存節省空間，使用unicode打開保證最大的兼容

(3)、服務器讀取uncode編碼的文檔，轉化為utf-8格式傳給瀏覽器。因為網絡帶寬昂貴，轉化為瞭減少負擔。

(4)、python3字符串默認使用Unicode編碼，所以python3支持多種語言

以Unicode表示的str通過encode()方法可以編碼為指定的bytes

如果bytes使用ASCII編碼，遇到ASCII碼表沒有的字符會以\x##表示，此時隻用‘\x##’.decode(‘utf-8’)即可

(5)、解決方法

from urllib.request import urlopen
#訪問wiki內容
html = urlopen("https://en.wikipedia.org/robots.txt")
print(html.read().decode("utf-8"))

第三、pdfminer3k安裝

法一：

(1)、進入網址直接下載並解壓：https://pypi.python.org/pypi/pdfminer3k/

(2)、以管理員身份運行命令行窗口，進入軟件解壓縮位置，運行python setup.py install

法二：

(3)、直接在pycharm中安裝

(4)、讀取pdf過程：首先創建一個分析器pdfparser和文檔對象pdfdocument，並通過兩個方法相互關聯，然後調用文檔對象的初始化方法（可以傳參數），此時資源內容被加載到文檔對象中。

創建資源管理器和參數分析器，然後創建聚合器(整合資源管理器和參數分析器)，通過聚合器創建解釋器（對pdf文檔進行編碼，解釋成python能識別的格式）

(5)、讀取pdf文檔：通過文檔對象的get_pages()方法得到pdf每一頁的內容，通過解釋器的process_page()方法讀取一頁一頁。

(6)、實例演示

from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams
from pdfminer.pdfparser import PDFParser, PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfdevice import PDFDevice
#獲得文檔對象,以二進制讀方式打開
fp = open("naacl06-shinyama.pdf", "rb")
#創建一個與文檔關聯的分析器
parser = PDFParser(fp)
#創建一個pdf文檔的對象
doc = PDFDocument()
#連接解釋器與文檔對象
parser.set_document(doc)
doc.set_parser(parser)
#初始化文檔,如果文檔有密碼，寫與此。
doc.initialize("")
#創建pdf資源管理器
resource = PDFResourceManager()
#參數分析器
laparam = LAParams()
#創建聚合器
device = PDFPageAggregator(resource, laparams=laparam)
#創建pdf頁面解釋器
interpreter = PDFPageInterpreter(resource, device)
#使用文檔對象得到頁面的集合
for page in doc.get_pages():
  #使用頁面解釋器讀取
  interpreter.process_page(page)
  #使用聚合器來獲得內容
  layout = device.get_result()
  for out in layout:
    if hasattr(out, "get_text"):
      print(out.get_text())

一下用於讀取網站上pdf內容

fp = urlopen(http://www.tencent.com/zh-cn/articles/8003251479983154.pdf)

補充內容：

以上為個人經驗，希望能給大傢一個參考，也希望大傢多多支持WalkonNet。如有錯誤或未考慮完全的地方，望不吝賜教。

推薦閱讀：