一、PDF文件介紹

PDF是英文Portable Document Format縮寫(xiě)，就是可移植的意思，它是以PostScript語(yǔ)言圖象模型為基礎(chǔ)，無(wú)論在哪種打印機(jī)上都可保證精確的顏色和準(zhǔn)確的打印效果，PostScript咱也不懂，估計(jì)和SVG的原理差不多吧。

二、PDF文件格式

PDF文件是二進(jìn)制數(shù)據(jù)，可以用Sublime的HexViewer打開(kāi)。

1、首部

指明文件PDF版本號(hào)，%PDF-1.4 其中最后一位 4就是文件格式的版本號(hào)。

2、文件體

PDF文件主要部分，由一系列obj對(duì)象組成，類(lèi)似如下格式

3 0 obj <<........>>endobj#?3?對(duì)象編號(hào)?0?修改次數(shù)

3、交叉引用表

用于索引各個(gè)obj 對(duì)象在文檔中的位置，以實(shí)現(xiàn)隨機(jī)訪問(wèn)

xref.0 180000000000 65535 f0000010112 00000 n.....#?0000000000?第一對(duì)象起始地址，修改次數(shù)?65535#（最大修改次數(shù)，表示不可再改， f?表示free?# 這里可以看成文件頭）#?0000010112?第二對(duì)象超始地址，n表示對(duì)象正在使用

4、尾部

指明文件體根對(duì)象和交叉引用表地址

trailer.<</Info 17 0 R/ID [<df2c5533d0ab7c62ee7732a5e375592a><b07f35295e287c0a5febcad25060ccbf>]/Root 16 0 R/Size 18>>.startxref.83511.%%EOF.# trailer 說(shuō)明文件尾 trailer對(duì)象的開(kāi)始# Size 18 該P(yáng)DF文件的對(duì)象數(shù)目#?Root?16?根對(duì)象的對(duì)象號(hào)為16#?startxref.83511?交叉引用表地f址

三、解析PDF文件

Java PdfBox、Python的Pdfminer都可以解析出PDF中的文本，但無(wú)論哪個(gè)工具都只能把PDF文本一行行打印出來(lái)，具體的字段解析還是要自己用正則去匹配。

下面介紹一下Python3的pdfminer3k

1、安裝?pip install pdfminer3k

2、pdfminer3k幾個(gè)主要類(lèi)介紹

PDFParser：從PDF文件中提取數(shù)據(jù)PDFDocument：PDF文檔對(duì)象PDFPageInterpreter：處理頁(yè)面內(nèi)容

下面是解析簡(jiǎn)歷PDF數(shù)據(jù)，需要把關(guān)鍵信息提取出來(lái)，剛從網(wǎng)上找了些代碼簡(jiǎn)單實(shí)現(xiàn)了一下，代碼還沒(méi)有做任何異常處理，先能跑通再說(shuō)。

注：這代碼對(duì)掃描版本的PDF是沒(méi)有辦法解析出來(lái)的。

?