使用 python 解析 pdf

Question

我有一个 pdf 文件。它包含四列，所有页面都没有网格线。它们是学生的标记。

我想对这个分布进行一些分析（直方图、折线图等）。

我想将此 pdf 文件解析为电子表格或 HTML 文件（然后我可以很容易地解析）。

pdf 的链接是：

Pdf

这是公开的文档，并且任何人都可以在该域上公开使用。

注意：我知道这可以通过将文件从 adobe reader 导出为文本，然后将其导入 Libre Calc 或 Excel 来完成。但我想使用 python 脚本来做到这一点。

请帮助我解决这个问题。 规格： 视窗7 Python 2.7

Answer 1

使用 PyPDF2：

from PyPDF2 import PdfFileReader

with open('CT1-All.pdf', 'rb') as f:
    reader = PdfFileReader(f)
    contents = reader.getPage(0).extractText().split('\n')
    pass

当您打印 contents 时，它看起来像这样（我在这里修剪了它）：

[u'Serial NoRoll NoNameCT1 Marks (50)111MA20026KARADI KALYANI212AR10029MUKESH K
MAR5', u'312MI31004DEEPAK KUMAR7', u'413AE10008FADKE PRASAD DIPAK27', u'513AE10
22RAHUL DUHAN37', u'613AE30005HIMANSHU PRABHAT26.5', u'713AE30019VISHAL KUMAR39
, u'813AG10014HEMANT17', u'913AG10028SHRESTH KR KRISHNA37.51013AG30009HITESH ME
RA33.5', u'1113AG30023RACHIT MADHUKAR40.5', u'1213AR10002ACHARY SUDHEER11', u'1
13AR10004AMAN ASHISH20.5', u'1413AR10008ANKUR44', u'1513AR10010CHUKKA SHALEM RA
U11.5', u'1613AR10012DIKKALA VIJAYA RAGHAVA20.5', u'1713AR10014HRISHABH AMRODIA
1', u'1813AR10016JAPNEET SINGH CHAHAL19.5', u'1913AR10018K VIGNESH42.5', u'2013
R10020KAARTIKEY DWIVEDI49.5', u'2113AR10024LAKSHMISRI KEERTI MANNEY49', u'2213A
10026MAJJI DINESH9.5', u'2313AR10028MOUNIKA BHUKYA17.5', u'2413AR10030PARAS PRA