在Python中将pdf转换为html

Question

Python 2.6

我正在尝试解析我的pdf文件，其中一种方法是将其转换为html并提取标题和段落。所以，我尝试了pdf2htmlEX，它将我的pdf格式转换成html而不影响我的pdf格式…到目前为止，我很高兴，但当我尝试使用以下命令访问我的标题时：

>> import subprocess

>> path = "/home/administrator/Documents/pdf_file.pdf"
>> subprocess.call(["pdf2htmlEX" , path])

但当我打开html文件时，它给了我不必要的东西和我的文本，更重要的是，我的文本没有标题标签，只有一堆div和span。

 >> f = open('/home/administrator/Documents/pdf_file.html','r')
 >> f = f.read()
 >> print f

我甚至尝试过使用BeautifulSoup访问它

>> from bs4 import BeautifulSoup as bs

>> soup = BeautifulSoup(f)
>> soup.find('div', attrs={'class': 'site-content'}).h1

它没有给我任何东西，因为没有标签。我也尝试过HTMLParser

从HTMLParser导入HTMLParser

# create a subclass and override the handler methods
class myhtmlparser(HTMLParser):
    def __init__(self):
         self.reset()
         self.NEWTAGS = []
         self.NEWATTRS = []
         self.HTMLDATA = []
    def handle_starttag(self, tag, attrs):
         self.NEWTAGS.append(tag)
         self.NEWATTRS.append(attrs)
    def handle_data(self, data):
         self.HTMLDATA.append(data)
    def clean(self):
         self.NEWTAGS = []
         self.NEWATTRS = []
         self.HTMLDATA = []

parser = myhtmlparser()
parser.feed(f)

# Extract data from parser
tags  = parser.NEWTAGS
attrs = parser.NEWATTRS
data  = parser.HTMLDATA

# Clean the parser
parser.clean()

# Print out our data
#print tags
print data

但它们都没有满足我所要求的愿望。所有我想要的是提取每个标题，以及他们所需的段落从html文件是太多的要求…:p我几乎搜索了每个网站，阅读了几乎所有关于这篇文章的内容，但我所有的努力都白费了。请在这方面给我指点。