更多>>关于我们

西安鲲之鹏网络信息技术有限公司从2010年开始专注于Web(网站)数据抓取领域。致力于为广大中国客户提供准确、快捷的数据采集相关服务。我们采用分布式系统架构,日采集网页数千万。我们拥有海量稳定高匿HTTP代理IP地址池,可以有效获取互联网任何公开可见信息。

您只需告诉我们您想抓取的网站是什么,您感兴趣的字段有哪些,你需要的数据是哪种格式,我们将为您做所有的工作,最后把数据(或程序)交付给你。

数据的格式可以是CSV、JSON、XML、ACCESS、SQLITE、MSSQL、MYSQL等等。

更多>>官方微博

西安鲲之鹏
陕西 西安

加关注

  • 【经验分享】QEMU/KVM如何修改开机启动顺序?
    virsh edit name-of-vm-instance
    如下示例:
     <os>
        <type arch='x86_64' machine='pc-i440fx-xenial'>hvm</type>
        <boot dev="network"></boot>
        <boot dev="cdrom"></boot>
        <boot dev="hd"></boot>
        <bootmenu enable='yes'/>
      </os>
    
    bootmenu的enable设置为yes,就可以在启动的时候按F12选择启动设备。
    •  
    发布时间:2024-03-12 11:51:28
  • 【经验分享】使用VNC远程连接KVM虚拟机,鼠标不同步而且偏移很大(想砸掉鼠标冲动的那种)问题解决:
    (1)编辑虚拟机配置文件,例如sudo virsh edit win10_1,然后将<input type="mouse" bus="ps2" />修改为<input type="tablet" bus="usb" /> 。
    (2)强制关闭虚拟机win10_1然后重启,问题解决。
    发布时间:2024-03-13 09:26:51
  • 【经验分享】Frida里Java.choose找到某个类的实例,在调用该实例方法时出现“script should be invoke on MainThread”问题的解决:

    // Assign the javascript code to a variable.
    jsCode = """
    // Create a method called Cheese that will be exported.
    function Cheese()
    {
    // Perform the code from injected context.
    Java.perform(function ()
    {
    // Variable to store the view representing the button
    // to click programmatically.
    var view;
    // Define the Runnable type javascript wrapper.
    var Runnable = Java.use("java.lang.Runnable");

    // Find the MainActivity class in myApp.
    Java.choose("com.example.myApp.MainActivity",
    {
    // Once it has been found execute the following code.
    onMatch: function(instance)
    {
    // Get the view representing button to click.
    // 2131436712 id derived from decompiling app.
    view = instance.findViewById(2131436712);
    // Define a new class that implements Runnable and provide
    // the implementation of the run() method which, will
    // execute from the Main thread.
    const MyRunnable = Java.registerClass({
    name:'com.example.MyRunnable',
    implements: [Runnable],
    methods: {
    // run executes button click.
    run(){
    instance.onClick(view);
    },
    }
    });

    // Create an instance of the class just created.
    var MyGuiUpdate = MyRunnable .$new();
    // Schedule the run method in MyGuiUpdate to
    // execute on the UI thread.
    instance.runOnUiThread(MyGuiUpdate );

    },
    onComplete:function(){}
    });
    解决方法来源:https://stackoverflow.com/questions/65790594/calling-an-api-to-modify-an-apps-gui-from-non-main-thread-in-frida
    发布时间:2024-02-23 13:00:33
  • 【经验分享】Frida script中如何给Java的Long类型变量赋值?
    例如,某Java类中有如下Long类型变量定义:
    /* renamed from: e */
    public Long f90137e;

    尝试修改e的值,依次做如下测试:
    (1)classObj.e.value = 1978705204; 会报"Error: Expected value compatible with java.lang.Long"错误。
    (2)classObj.e.value = Java.use('java.lang.Long').parseLong.overload('java.lang.String').call(Java.use('java.lang.Long'), "1978705204");依然会报上述错误。
    (3)这个方法可以成功赋值:classObj.e.value = Java.use('java.lang.Long').$new(1978705204);
    发布时间:2024-02-21 21:45:47
  • 【经验分享】miller使用filter查询条件,当遇到字段含有空格或者其它特殊字符时怎么处理?如下示例中某个字段含有点号,直接查询会报错。解决方法如下:

    示例:mlr --icsv --oxtab --from mouser_products_202312.csv filter '${Mfr.}=~"TDK" || ${Brand}=~"TDK"' then count

    使用Pandas时,也有类似问题,解决方法:
    df[df['Brand'].str.contains("TDK")|df['Mfr.'].str.contains("TDK")]
    另外,Stackoverflow(https://stackoverflow.com/questions/50697536/pandas-query-function-not-working-with-spaces-in-column-names)上有人说可以用`字段`将字段包裹起来,例如:a.query('`a b` == 5') ,但是需要Pandas是0.25版本,我机器上是0.24.2,测试没有效果。
    发布时间:2024-02-21 19:01:04
  • 【经验分享】今天本地windows系统adb shell突然报错"error: unknown host service",尝试"adb kill-server"、甚至重启PC和手机均不起作用。后来网上查了下,说是PC端adb的后台服务进程的5037端口被其它程序占用了。

    解决方法:使用netstat -ano找到并关闭占有者进程,问题解决。 ​​​
    发布时间:2024-02-21 18:55:05
  • 【经验分享】PPPOE认证返回“User Locked”,可能是因为MAC被拉黑了,换一个就好了。 ​​​
    发布时间:2024-01-16 13:00:17
  • 【经验分享】Linux如何限制一个命令的运行时长?可以使用timeout命令。
    例如,限制ping最多运行10秒,可以这样:
    timeout 10s ping www.baidu.com ​​​
    发布时间:2024-01-12 12:11:50
  • 【经验分享】Playwright库使用context.route()/page.route()过滤HTTP(S)请求时发现有Ajax漏包的情况。查官方文档,发现有云:
    browser_context.route() will not intercept requests intercepted by Service Worker. See this issue. We recommend disabling Service Workers when using request interception by setting browser.new_context.service_workers to 'block'.

    尝试:
    context = browser.new_context(service_workers='block')
    问题解决。

    参考1:https://playwright.dev/python/docs/api/class-browsercontext#browser-context-route
    参考2:https://github.com/microsoft/playwright/issues/15684
    发布时间:2024-01-10 11:56:20
  • 【经验分享】Python fontTools 获取字体文件的字形名称列表,遇到"smile", "question", "space"等AGL名称,如何将其转为Unicode代码?

    >>>import fontTools
    >>>hex(fontTools.agl.AGL2UV['smileface'])
    '0x263a'

    参考:https://fonttools.readthedocs.io/en/latest/_modules/fontTools/agl.html ​​​
    发布时间:2023-10-12 10:58:26
当前位置: 首页 > 技术文章 >
解决"pdfminer被py2exe打包后无法提取中文"的问题
发布时间:2019-02-27

近日在公司的某PDF数据采集项目中遇到了一个奇怪的问题。使用pdfminer提取PDF内的部分参数值(中英文混合),源码模式运行工作正常,中英文字符都能提取出来。但是当使用py2exe打包成EXE文件之后,却只能提取出英文字符,无法提取出中文字符。

如下图所示,是PDF文件的截图:

如下图所示,源码模式下测试,提取正常(中英文都提取到了):

如下图所示,EXE模式测试,无法提取出来中文字符(英文字符提取正常):

 

很奇怪,为什么py2exe打包之后不能正常工作了呢?网上查了一下,也没有找到解决方案。

根据以往经验,估计是有什么依赖的资源文件没有被打包进去。

查看pdfminer源码目录(C:\Python27\Lib\site-packages\pdfminer\),发现有个名为cmap目录,看里面的文件名应该是与字符编码有关,如下图所示。

于是尝试将该cmap目录拷贝到打包后的EXE同目录下,再试,还是无法提取中文。难道是与cmap目录无关?如果跟cmap目录有关,那么我给它改个名字,源码模式应该也会提取不到中文了才对。试了一下,果然如此,看来就是缺少了这个目录。那打包成EXE之后应该把这个目录放到哪里才对呢?(前面我们试了放到EXT同目录下无效)

有点老虎吃天无法下爪了。只能分析下pdfminer源码,看它是怎么加载这个cmap目录的了。最终定位到C:\Python27\Lib\site-packages\pdfminer\cmapdb.py这个文件,在其236行左右有如下代码:

cmap_paths = (os.environ.get('CMAP_PATH', '/usr/share/pdfminer/'),
              os.path.join(os.path.dirname(__file__), 'cmap'),)

可以看到它先是根据CMAP_PATH环境变量,然后根据os.path.join(os.path.dirname(__file__), 'cmap')这个路径来确定cmap目录的。由于未设置CMAP_PATH环境变量。 打包成EXE之后__file__的值为:

E:\owncloud\scrapers\baosteel_quality_assurance_scraper\dist\baosteel_quality_assurance_scraper.exe\pdfminer\cmapdb.py

完整的cmap路径就变成了:

E:\owncloud\scrapers\baosteel_quality_assurance_scraper\dist\baosteel_quality_assurance_scraper.exe\pdfminer\cmap

这个路径是不存在的(应该与quality_assurance_scraper.exe同一目录才对),当然找不到了,看来问题就是出在这儿了。

尝试将__file__修改为sys.argv[0],重新打包EXE,测试发现问题消失(cmap文件夹仍需放置在EXE同目录下)。

其实我们不需要直接修改cmapdb.py文件,只需要在我们的程序里正确设置CMAP_PATH环境变量即可。例如,添加如下代码之后,问题解决:

import sys
import os
# 本程序的绝对路径
ABS_PATH = lambda p: os.path.join(os.path.dirname(os.path.realpath(sys.argv[0])), p)
# 设置cmap文件的路径为当前路径下的cmap文件夹
os.environ['CMAP_PATH'] = ABS_PATH('cmap')

遇到问题冷静地分析,耐心地尝试,没有什么问题是解决不了的。

特别说明:本文旨在技术交流,请勿将涉及的技术用于非法用途,否则一切后果自负。如果您觉得我们侵犯了您的合法权益,请联系我们予以处理。
☹ Disqus被Qiang了,之前所有的评论内容都看不到了。如果您有爬虫相关技术方面的问题,欢迎发到我们的问答平台:http://spider.site-digger.com/