python - 使用 python 解析 PDF 在 cssselect 上失败

Question

尝试使用 pdfquery、PDFDocument 和 PDFParser 解析 PDF 文件。 还尝试了 pdfquery 示例代码。 总是从 cssselect/parser.py 中收到错误

SelectorSyntaxError: Expected string or ident

尝试升级 cssselect，但没有成功。

有人知道吗？ 我正在运行 Python 2.7

我使用的代码和示例文件来自:https://github.com/jcushman/pdfquery

pdf = pdfquery.PDFQuery("tests/samples/IRS_1040A.pdf")
pdf.extract( [
 ('with_parent','LTPage[pageid=1]'),
 ('with_formatter', 'text'),
 ('last_name', 'LTTextLineHorizontal:in_bbox("315,680,395,700")'),
 ('spouse', 'LTTextLineHorizontal:in_bbox("170,650,220,680")'),
 ('with_parent','LTPage[pageid=2]'),
 ('oath', 'LTTextLineHorizontal:contains("perjury")', lambda match: match.text()[:30]+"..."),
 ('year', 'LTTextLineHorizontal:contains("Form 1040A (")', lambda match: int(match.text()[-5:-1]))
])

Answer 1

我查看了示例，似乎您缺少一些引号(在 xpath 表达式 LTPage[pageid="1"] 和 LTPage[pageid="2"] 中) 。使用引号就不会出现错误消息。

pdf.extract( [
 ('with_parent','LTPage[pageid="1"]'),
 ('with_formatter', 'text'),
 ('last_name', 'LTTextLineHorizontal:in_bbox("315,680,395,700")'),
 ('spouse', 'LTTextLineHorizontal:in_bbox("170,650,220,680")'),
 ('with_parent','LTPage[pageid="2"]'),
 ('oath', 'LTTextLineHorizontal:contains("perjury")', lambda match: match.text()[:30]+"..."),
 ('year', 'LTTextLineHorizontal:contains("Form 1040A (")', lambda match: int(match.text()[-5:-1]))
])