从 url 抓取 pdf 文件的多个页面

Question

我想用 python 抓取这个 PDF 的信息。 我不知道从哪里开始，因为它根本没有组织。 我习惯于抓取 HTML。 我尝试将其转换为 HTML，但这并没有真正帮助。

您将如何尝试抓取此 PDF？ 这是 PDF 的链接（任何都可以，它们都相似）： https://portal.charitycommissioner.je/Public-Register/ https://www.gov.im/media/1371147/publicindex_latest-15121 -v2.pdf

谢谢你的帮助：D

Answer 1

它是有组织的 - 它在一个“表格”中 - pdfplumber很适合这个。

一旦您的设置与您的数据正确匹配，您就可以.extract_table()

import pdfplumber
import pandas as pd

pdf = pdfplumber.open('file.pdf')

page = pdf.pages[0]
table = page.extract_table(
    dict(vertical_strategy="text", keep_blank_chars=True)
)

df = pd.DataFrame(table)