Форум программистов, компьютерный форум, киберфорум
Python: API, боты
Войти
Регистрация
Восстановить пароль
Блоги Сообщество Поиск Заказать работу  
 
Рейтинг 4.93/15: Рейтинг темы: голосов - 15, средняя оценка - 4.93
0 / 0 / 0
Регистрация: 08.04.2021
Сообщений: 2

Как спарсить pdf файлы?

08.04.2021, 11:59. Показов 3153. Ответов 3

Студворк — интернет-сервис помощи студентам
Здравствуйте!
Имеется сайт с базой вопросов:
https://exetaseis-ithageneia.y... 920#topics
Как можно спарсить все pdf с этого сайта.
Необязательно код, просто подскажите в каком направлении копать.
Спасибо
0
Лучшие ответы (1)
cpp_developer
Эксперт
20123 / 5690 / 1417
Регистрация: 09.04.2010
Сообщений: 22,546
Блог
08.04.2021, 11:59
Ответы с готовыми решениями:

Как разместить PDF файлы в PDF файле
Есть PDF документ с одной страницей размера 700х500мм, и несколько PDF файлов. Нужно разместить PDF файлы на странице первого PDF файла с...

Как спарсить файлы из директории?
Всем привет. У меня задача скопировать два файла из определенной директории. Имена файлов начинаются на qwer А дальше идут цифры,...

Как спарсить файлы с сайта?
Есть сайты с файлами. Прошу привести простой пример кода. Не такой, когда надо обойти весь сайт и скачать все файлы по ссылкам, а для...

3
 Аватар для Freeden
107 / 104 / 34
Регистрация: 25.04.2012
Сообщений: 242
08.04.2021, 16:32
Как вариант можете использовать tabula-py Пример из документации:
Python
1
2
3
4
5
6
7
8
9
10
11
12
13
import tabula
 
# Read pdf into a list of DataFrame
dfs = tabula.read_pdf("test.pdf", pages='all')
 
# Read remote pdf into a list of DataFrame
dfs2 = tabula.read_pdf("https://github.com/tabulapdf/tabula-java/raw/master/src/test/resources/technology/tabula/arabic.pdf")
 
# convert PDF into CSV
tabula.convert_into("test.pdf", "output.csv", output_format="csv", pages='all')
 
# convert all PDFs in a directory
tabula.convert_into_by_batch("input_directory", output_format='csv', pages='all')
0
0 / 0 / 0
Регистрация: 08.04.2021
Сообщений: 2
08.04.2021, 18:18  [ТС]
Спасибо. Это пригодится для второго этапа.
Сначала мне надо получить ссылки на эти pdf. Каждый pdf открывается при клике на кнопку, генерируется, видимо JS скриптом, случайный адрес. Но я не могу найти этот скрипт.
Подскажите как мне получить ссылки на все pdf с этого сайта, чтобы их скачать.
Заранее благодарен.
0
 Аватар для Freeden
107 / 104 / 34
Регистрация: 25.04.2012
Сообщений: 242
08.04.2021, 19:09
Лучший ответ Сообщение было отмечено anatomists как решение

Решение

С помощью Selenium Webdriver можно выдрать ссылки на pdf в iframe class="viewerFrame", которые появляются после клика. Записать их в файл, а потом еще одним скриптом пройтись по ним и спарсить pdf.

Добавлено через 14 минут
JS скрипт, где генерируются пути: https://exetaseis-ithageneia.y... _GR/app.js
1
Надоела реклама? Зарегистрируйтесь и она исчезнет полностью.
raxper
Эксперт
30234 / 6612 / 1498
Регистрация: 28.12.2010
Сообщений: 21,154
Блог
08.04.2021, 19:09
Помогаю со студенческими работами здесь

как спарсить загружаемый doc и pdf файл в php и занести его в базу по полям title body and date publisher
как спарсить загружаемый doc и pdf файл в php и занести его в базу по полям title body and date publisher

Переименовать файлы с nr.01-_Part_3.pdf на nr.01-_Part_03.pdf
Добрый день, У меня есть список файлов: nr.01-_Part_1.pdf nr.01-_Part_2.pdf nr.01-_Part_3.pdf .... nr.01-_Part_10.pdf ...

Как перевести PDF-файлы в Word
Помогите советом, как перевести PDF-файлы в текстовые, желательно в Word.

Как открывать pdf файлы в datagridview?
Здравствуйте Столкнулся с такой причиной, хочу сделать при выделении строки в грите и потом нажимаешь на кнопку открывался файл из...

Как редактировать pdf файлы (текст)
Подскажите, пожалуйста, в какой программе можно отредактировать текст pdf файла ? Смотрел прогу Acrobat Reader, но там при удалении блока...


Искать еще темы с ответами

Или воспользуйтесь поиском по форуму:
4
Ответ Создать тему
Новые блоги и статьи
SDL3 для Web (WebAssembly): Реализация движения на Box2D v3 - трение и коллизии с повёрнутыми стенами
8Observer8 20.02.2026
Содержание блога Box2D позволяет легко создать главного героя, который не проходит сквозь стены и перемещается с заданным трением о препятствия, которые можно располагать под углом, как верхнее. . .
Конвертировать закладки radiotray-ng в m3u-плейлист
damix 19.02.2026
Это можно сделать скриптом для PowerShell. Использование . \СonvertRadiotrayToM3U. ps1 <path_to_bookmarks. json> Рядом с файлом bookmarks. json появится файл bookmarks. m3u с результатом. # Check if. . .
Семь CDC на одном интерфейсе: 5 U[S]ARTов, 1 CAN и 1 SSI
Eddy_Em 18.02.2026
Постепенно допиливаю свою "многоинтерфейсную плату". Выглядит вот так: https:/ / www. cyberforum. ru/ blog_attachment. php?attachmentid=11617&stc=1&d=1771445347 Основана на STM32F303RBT6. На борту пять. . .
Камера Toupcam IUA500KMA
Eddy_Em 12.02.2026
Т. к. у всяких "хикроботов" слишком уж мелкий пиксель, для подсмотра в ESPriF они вообще плохо годятся: уже 14 величину можно рассмотреть еле-еле лишь на экспозициях под 3 секунды (а то и больше),. . .
И ясному Солнцу
zbw 12.02.2026
И ясному Солнцу, и светлой Луне. В мире покоя нет и люди не могут жить в тишине. А жить им немного лет.
«Знание-Сила»
zbw 12.02.2026
«Знание-Сила» «Время-Деньги» «Деньги -Пуля»
SDL3 для Web (WebAssembly): Подключение Box2D v3, физика и отрисовка коллайдеров
8Observer8 12.02.2026
Содержание блога Box2D - это библиотека для 2D физики для анимаций и игр. С её помощью можно определять были ли коллизии между конкретными объектами и вызывать обработчики событий столкновения. . . .
SDL3 для Web (WebAssembly): Загрузка PNG с прозрачным фоном с помощью SDL_LoadPNG (без SDL3_image)
8Observer8 11.02.2026
Содержание блога Библиотека SDL3 содержит встроенные инструменты для базовой работы с изображениями - без использования библиотеки SDL3_image. Пошагово создадим проект для загрузки изображения. . .
КиберФорум - форум программистов, компьютерный форум, программирование
Powered by vBulletin
Copyright ©2000 - 2026, CyberForum.ru