Skip to content
The Chat Archive
gpt-3.5-turbo-0301· OpenAI WildChat-4.8M (AI2)

pdfminer怎样将pdf转为xml

  1. User

    pdfminer怎样将pdf转为xml

  2. Assistant

    pdfminer可以通过命令行工具pdf2txt.py将PDF转换为纯文本,也可以使用pdfminer.six库将PDF转换为XML。

    下面是示例代码:

    # 导入库
    from pdfminer.high_level import extract_pages
    from pdfminer.layout import LTTextContainer
    
    # 定义函数将PDF转为XML格式
    def pdf2xml(pdf_path, xml_path):
        with open(xml_path, 'w') as xml_file:
            xml_file.write('<?xml version="1.0" encoding="UTF-8"?>\n')
            xml_file.write('<pdf>\n')
            for page_layout in extract_pages(pdf_path):
                for element in page_layout:
                    if isinstance(element, LTTextContainer):
                        xml_file.write('<text x="{:.2f}" y="{:.2f}" font="{}">'.format(
                            element.x0, element.y0, element._objs[0].fontname))
                        xml_file.write(element.get_text().strip())
                        xml_file.write('</text>\n')
            xml_file.write('</pdf>')
    
    # 使用函数将PDF转为XML格式
    pdf2xml('sample.pdf', 'sample.xml')
    

    运行上述代码后,就可以将名为"sample.pdf"的PDF文件转换为"sample.xml"的XML格式文件。

    注意:pdfminer.six库需要安装,可以使用pip install pdfminer.six命令进行安装。

  3. User

    缩进调整下

  4. Assistant

    好的,以下是稍微调整了一下缩进的代码:

    # 导入库
    from pdfminer.high_level import extract_pages
    from pdfminer.layout import LTTextContainer
    
    # 定义函数将PDF转为XML格式
    def pdf2xml(pdf_path, xml_path):
        with open(xml_path, 'w') as xml_file:
            xml_file.write('<?xml version="1.0" encoding="UTF-8"?>\n')
            xml_file.write('<pdf>\n')
            for page_layout in extract_pages(pdf_path):
                for element in page_layout:
                    if isinstance(element, LTTextContainer):
                        xml_file.write('<text x="{:.2f}" y="{:.2f}" font="{}">'.format(
                            element.x0, element.y0, element._objs[0].fontname))
                        xml_file.write(element.get_text().strip())
                        xml_file.write('</text>\n')
            xml_file.write('</pdf>')
    
    # 使用函数将PDF转为XML格式
    pdf2xml('sample.pdf', 'sample.xml')
    

    这样的话,函数定义体内和函数调用体内的代码就可以清晰地区分开来,更加易读了。