在css上用python解析PDF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获取错误/分析器.py在

SelectorSyntaxError: Expected string or ident

尝试升级cssselect，但没有成功。在

有人有线索吗？ 我运行的是python2.7

Im正在使用来自：https://github.com/jcushman/pdfquery的代码和示例文件

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

我查看了这些示例，似乎缺少了一些引号（在xpath表达式LTPage[pageid="1"]和{}中）。有了引号就没有错误信息了。在

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]))
])