從 url 抓取 pdf 文件的多個頁面

Question

我想用 python 抓取這個 PDF 的信息。 我不知道從哪里開始，因為它根本沒有組織。 我習慣於抓取 HTML。 我嘗試將其轉換為 HTML，但這並沒有真正幫助。

您將如何嘗試抓取此 PDF？ 這是 PDF 的鏈接（任何都可以，它們都相似）： https://portal.charitycommissioner.je/Public-Register/ https://www.gov.im/media/1371147/publicindex_latest-15121 -v2.pdf

謝謝你的幫助：D

Answer 1

它是有組織的 - 它在一個“表格”中 - pdfplumber很適合這個。

一旦您的設置與您的數據正確匹配，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)