说明：如果访问 GitHub 比较慢的话，可以关注我的知乎账号（Python-Jack），上面的“从零开始学Python”专栏（对应本项目前 20 天的内容）比较适合初学者，其他的专栏如“数据思维和统计思维”、“基于Python的数据分析”、“说走就走的AI之旅”等也在持续更新中 ...

pdf是电子书，文档经常会用的格式，除了下载各种阅读器以外，我们也可以用Python批量处理大量PDF文件。本文用到了pypdf2，pdfminer.six，pdf2image来做常规处理。 pdf2image 可以提出所有页面存为图片，但因为IO的性能问题。作者提出最好用SSD硬盘和多线程。 我们可以 ...

有很多时候你会想用Python从PDF中提取数据，然后将其导出成其他格式。不幸的是，并没有多少Python包可以很好的执行这部分工作。在这篇贴子中，我们将探讨多个不同的Python包，并学习如何从PDF中提取某些图片。尽管在Python中没有一个完整的解决方案，你还是 ...

本文约4000字，建议阅读10分钟。 本文介绍了在提取出想要的数据之后，如何将数据导出成其他格式的方法。 有很多时候你会想用Python从PDF中提取数据，然后将其导出成其他格式。不幸的是，并没有多少Python包可以很好的执行这部分工作。在这篇贴子中，我们将 ...

王树义。大学教师，终身学习者。稍微懂一点儿写作、演讲、Python和机器学习。欢迎关注我的公众号“玉树芝兰”(nkwangshuyi)。 本文为你展示，如何用 Python 把许多 PDF 文件的文本内容批量提取出来，并且整理存储到数据框中，以便于后续的数据分析。 问题 最近 ...

不论是数据分析还是机器学习，乃至于高大上的AI，数据源的获取是所有过程的入口。 数据源的存在形式多为数据库或者文件，如果把数据看做一种特殊格式的文件的话，即所有数据源都是文件。获得数据，就是读取文件的操作，文件有各种各样的格式即数据的 ...

- 正则表达式从输出内容中抓取doi号 (只支持`10.*/*`形式, 要是`10.*.*`暂不支持). [参考](http://stackoverflow.com/questions/27910/finding-a-doi ...