pdf转换成html python 在Python中将pdf转换为html

Python 2.6

我试图解析我的pdf文件，其中一种方法是将其转换为html并提取标题和段落。

所以，我尝试了pdf2htmlEX，它将我的pdf转换成html格式，而不干扰我的pdf格式。。。到目前为止，我还很高兴，但当我试图使用以下命令访问标题时：>> import subprocess

>> path = "/home/administrator/Documents/pdf_file.pdf"

>> subprocess.call(["pdf2htmlEX" , path])

但是当我打开我的html文件时，它给了我一些不必要的东西，更重要的是，我的文本没有标题标签，只有一堆div和span。在

^{pr2}$

我甚至试着用beauthoulsoup访问它>> from bs4 import BeautifulSoup as bs

>> soup = BeautifulSoup(f)

>> soup.find('div', attrs={'class': 'site-content'}).h1

它没有给我任何东西，因为没有标签。我也试过HTMLParser

从HTMLParser导入HTMLParser# create a subclass and override the handler methods

class myhtmlparser(HTMLParser):

def __init__(self):

self.reset()

self.NEWTAGS = []

self.NEWATTRS = []

self.HTMLDATA = []

def handle_starttag(self, tag, attrs):

self.NEWTAGS.append(tag)

self.NEWATTRS.append(attrs)

def handle_data(self, data):

self.HTMLDATA.append(data)

def clean(self):

self.NEWTAGS = []

self.NEWATTRS = []

self.HTMLDATA = []

parser = myhtmlparser()

parser.feed(f)

# Extract data from parser

tags = parser.NEWTAGS

attrs = parser.NEWATTRS

data = parser.HTMLDATA

# Clean the parser

parser.clean()

# Print out our data

#print tags

print data

但他们都没有满足我的愿望。我只想从html文件中提取每个标题以及它们所需的段落，这太过分了。。。：p我搜索了几乎所有的网站，几乎阅读了所有关于这方面的内容，但我的所有努力都白费了。请指点我。。。在

如果觉得《pdf转换成html python 在Python中将pdf转换为html》对你有帮助，请点赞、收藏，并留下你的观点哦！