pdf文件是来自ietf的rfc文档，pdf文件数据如图一。
我需要实现的功能是将pdf解析成xml或html，从而取出文章中的各种部分的信息。单从内容来看，内容有点像是xml格式，但是我无法使用xml.etree来解析。
我目前使用的是fitz，但是解析出来的html效果如图二所示，pdf文件中所有标签的属性均消失了，只剩下了文本内容。这样解析出来的内容，我很难去定位信息位置。
所以，请问一下，该如何将这种样子的pdf文件解析成xml或者html文件（最好直接沿用原先的标签名和属性）？
如何使用python将pdf解析成xml或者html
- 写回答
- 好问题 0 提建议
- 追加酬金
- 关注问题
分享- 邀请回答
-
1条回答 默认 最新
- 回答 1 已采纳 假设你的text 元素叫做elem ``` print(''.join([x.strip() for x in elem.itertext() if x.strip()])) ```
- 2019-04-18 22:45回答 2 已采纳 看上去这些内容是网页本来就有的，爬虫代码没有问题。 你可以用正则表达式自己再过滤下。这段内容前面似乎有很多连续的换行，可以作为特征。
- 2021-06-18 11:10回答 1 已采纳 depart_code = {0:'big_data',1:'network',2:'infomation',3:'others'} def show_info(name,depart=3,info
- 2021-08-15 09:14回答 1 已采纳 可以呦，看起来没有R语言绘图的更好一些。能达到90%的效果 源码参考： 使用Python，matplotlib绘制Nomogram列线图_程序媛一枚~的博客-CSDN博客 使用Python，
- 2021-06-09 20:56回答 2 已采纳 import random a=[] sum=0 max=0 min=1000 for i in range(20): a.append(random.randint(1,999))
- 2020-07-26 09:08回答 2 已采纳 json.decoder.JSONDecodeError: Expecting value: line 1 column 1 (char 0) 看看你的编码，是不是不是utf8或者包含了不合法的字符
- 2022-04-17 17:18回答 12 已采纳 因为没有太多的限制条件，我想可以自己先限制一下取值范围，在逐步放宽限制我的假设是：因为求的是最大值，所以第一步限制A,B,C,D,N,X只取正整数，且限制最大值小于10，即10>A > B
- 2018-05-04 10:45回答 2 已采纳 ``` python 递归解析json import json def parse(js): for key in js.keys(): if isin
- 2021-04-03 11:36回答 2 已采纳 你是说最后的数值不是字符串格式吧。 可以用date=data. astype('str')转换一下。
- 2022-03-14 11:07回答 3 已采纳 一般都是存储该文件的路径，你要都存到数据库里，那体量得多大，查询也费劲，回传也麻烦，反正我没见谁都给存数据库里的，来回转换就够费劲的了。你这个问题有很多其他方法可以解决，你看看百度文库，或者存到百度云
- 没有解决我的问题, 去提问
问题事件
已结题
（查看结题原因） 6月28日-
创建了问题
4月13日
悬赏问题
- ¥30 模拟电路 logisim
- ¥15 PVE8.2.7无法成功使用a5000的vGPU，什么原因
- ¥15 is not in the mmseg::model registry。报错，模型注册表找不到自定义模块。
- ¥15 安装quartus II18.1时弹出此error，怎么解决？
- ¥15 keil官网下载psn序列号在哪
- ¥15 想用adb命令做一个通话软件，播放录音
- ¥30 Pytorch深度学习服务器跑不通问题解决？
- ¥15 部分客户订单定位有误的问题
- ¥15 如何在maya程序中利用python编写领子和褶裥的模型的方法
- ¥15 Bug traq 数据包 大概什么价