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,可以有效绕过各种反采集策略。

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】如何获取我查查App当前所选城市?
    adb pull /data/data/com.wochacha/shared_prefs/com.wochacha_preferences.xml ./com.wochacha_preferences.xml
    然后读取"SelectedCityName"属性。如图所示。 ​​​​
    发布时间:2019-01-18 14:09:15
  • 拼多多商品ID采集:Selenium + Mitmproxy ​​​​
    发布时间:2019-01-18 12:39:59
  • 【经验分享】SSH本地端口映射。场景如下:
    某Linux母机下有多台KVM虚拟机,虚拟机的VNC只开放了127.0.0.1的访问权限。如何远程连接这些VNC端口呢?

    可以使用SSH本地端口映射实现,在本地机执行如下命令:
    ssh -L 127.0.0.1:5901:127.0.0.1:5901 user@ip-of-linux-host
    解释一下:监听本地5901端口,将5901端口的连接重定向到ip-of-linux-host主机的127.0.0.1:5901端口。
    发布时间:2019-01-16 12:01:25
  • 【经验分享】KVM调整磁盘大小:
    1. 查看原磁盘大小。
    qemu-img info win7.img
    如图是80G。

    2. 增加10G。
    sudo qemu-img resize win7.img +10G

    3. 查看增加后的磁盘大小。
    qemu-img info win7.img
    如果是90G。

    4. 重启虚拟机,进入虚拟机磁盘管理再确认下。
    如图2所示,多了一个10GB的空闲分区。可以新建一个分区,也可以使用磁盘扩展将其合并到C盘。

    如果想要扩展指的分区的大小,可以使用virt-resize,具体请参考该文章:https://mike42.me/blog/how-to-resize-a-windows-vm-image-with-virt-resize
    发布时间:2019-01-16 11:37:01
  • 美团外卖菜品/商品月销量属性确定可以抓取(如图所示) ​​​​
    发布时间:2019-01-10 15:30:18
  • 【经验分享】KVM在Ubuntu下的安装配置 >>> http://www.site-digger.com/html/articles/20181229/693.html ​​​​
    发布时间:2019-01-09 16:03:18
  • 【经验分享】拼多多列表页商品最大可见数为1000个。
    如何测试Ajax动态分页列表的最大可翻页数?这个文章还是我3年前写的,后来时常用到。
    http://www.site-digger.com/html/articles/20150718/94.html ​​​​
    发布时间:2019-01-03 15:33:16
  • 【经验分享】安卓模拟器中需要先关闭物理键盘,才能正常使用ADB Keyboard。设置方法见附图。 ​​​​
    发布时间:2019-01-02 16:52:26
  • 常见安卓模拟器远程ADB监听端口(如图) ​​​​
    发布时间:2018-12-26 09:49:08
  • 【赞】pywebview是webview组件的轻量级跨平台原生封装,实现利用Web技术开发GUI应用  >>> 项目主页:https://github.com/r0x0r/pywebview  
    说明文档:https://pywebview.flowrl.com/  
    How to build cross platform Desktop GUI based apps with Python and web technologies and frameworks:https://www.techiediaries.com/python/how-to-build-cross-platform-desktop-gui-based-apps-with-python-and-web-technologies-and-frameworks/ ​​​​
    发布时间:2018-12-13 12:27:42
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 来源:未知 浏览:

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:该文章为鲲鹏数据原创文章 ,您除了可以发表评论外,还可以转载到别的网站,但是请保留源地址,谢谢!!(尊重他人劳动,我们共同努力)
☹ Disqus被Qiang了,之前的评论内容都没了。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/
QQ在线客服
欢迎咨询,点击这里给我发送消息。
欢迎咨询,点击这里给我发送消息。