如何采集pdf文件

① 如何解决Python读取PDF内容慢的问题

1，引言

晚上翻看《Python网络数据采集》这本书，看到读取PDF内容的代码，想起来前几天集搜客刚刚发布了一个抓取网页pdf内容的抓取规则

如果PDF文件在你的电脑里，那就把urlopen返回的对象pdfFile替换成普通的open()文件对象。

3，展望

这个实验只是把pdf转换成了文本，但是没有像开头所说的转换成html标签，那么在Python编程环境下是否有这个能力，留待今后探索。


4，集搜客GooSeeker开源代码下载源

1.GooSeeker开源Python网络爬虫GitHub源

5，文档修改历史

2016-05-26：V2.0，增补文字说明
2016-05-29：V2.1，增加第六章：源代码下载源，并更换github源的网址

② 已有pdf文件直接导入 noteexpress题录

依次点击：文件——导入文件——添加文件（单个PDF文档）/添加目录（多个PDF文档）——选择需要导入的文件或文件夹——打开——导入。

③ 怎么将PDF文件进行翻译

有一种工具可以做到，【OCR文字识别】，将PDF的文字采集下来，然后进行翻译。如下图！！