电子发票是pdf的，能用网络爬虫采集吗？

我收到的电子发票是pdf格式的，如果能用网络爬虫软件采集发票的内容，我可以更加自动化地处理收上来的发票，管理起来省力很多。

另外，如果能用网络爬虫采集pdf文件，岂不是可以处理各种报表和报告？集搜客网络爬虫能从pdf中提取出来内容吗？

GooSeeker网络爬虫有一套极具特色的pdf文件解析技术，解析以后能作为普通的网页进行提取，集搜客网络爬虫还集成了摘录功能，可以手工摘录零散的内容，既可以摘录网页，也可以摘录pdf。

为pdf文件定义爬虫任务跟爬网页的任务一摸一样，pdf也有dom，也一样点选dom，一样做标注。

采集pdf文件一个最大的麻烦是：pdf中的dom节点太多了，没有定位标志，全部是绝对定位，如果两个pdf文件，比如两张发票的dom结构稍有不同，采集规则就会采错了

Fuller 发表于 2021-7-28 10:39
GooSeeker网络爬虫有一套极具特色的pdf文件解析技术，解析以后能作为普通的网页进行提取，集搜客网络爬虫还 ...

这些功能什么版本有？

发誓学好内容分析 发表于 2021-7-28 10:42
这些功能什么版本有？

采集pdf内容早就有了，你下载安装官网上的最新版本肯定有采集pdf内容的功能，至于最早什么时候发布的，我记不清楚了，因为爬虫软件一个月会升级好几次。

你在这个帖子提到的下载巨潮资讯网上的pdf报告功能，V10.8.2确实采集不了这个网站，马上就要发布的V11.0.0已经解决了这个问题，注意发布通知，及时升级