能用网络爬虫软件抓取pdf内容吗？

网络上很多研究报告、行业规范、公司年报都是pdf文件。能不能用GooSeeker网络爬虫软件抓取pdf中的内容？

GooSeeker网络爬虫软件升级到V10版本以后就增加了解析pdf文件的功能，只是在V10.8.0之前，没有全面采用解析pdf功能，但是V10.8.0及其以后，就全面采用了。

以前，只是在摘录pdf内容的时候，才将pdf解析成html，一旦解析成html，那么就可以定义采集规则。到了V10.8.0版本，都可以定义采集规则。比如，下面是一个操作案例，假设要采集的pdf文件是磁盘上的文件，那么先打开文件，如果是网页上的，那就跟采集普通网页一样。

1，打开pdf文件
使用工具条上的打开文件按钮，打开pdf文件


2，开启定义规则
像给普通网页定义规则一样，点击右上角+号按钮，开启定义规则，可以看到pdf内容都解析成了html节点，做直观标注和内容映射，跟普通网页的操作方法一样。


3，注意事项
可以看到，一篇pdf文档解析成了大量的html节点，可能一句话被切成了好几个节点。如果要采集的pdf文件内容稍微不太规整，定义出来的采集规则就会适应不了。很多情况下，不如直接使用数据管家的摘录功能。

Fuller 发表于 2021-6-23 11:50
GooSeeker网络爬虫软件升级到V10版本以后就增加了解析pdf文件的功能，只是在V10.8.0之前，没有全面采用解析 ...

我看官网上下载的版本是V10.7.1，什么时候才有V10.8.0发布？

发誓学好内容分析 发表于 2021-6-23 11:51
我看官网上下载的版本是V10.7.1，什么时候才有V10.8.0发布？

原计划定于本周（6月25日），现在还在做发布前的系统测试