पीडीएफ फाइल से टेक्स्ट कैसे निकालें?


190

मैं इस पीडीएफ फाइल में शामिल पाठ को निकालने की कोशिश कर रहा हूं Python

मैं का उपयोग कर रहा हूँ PyPDF2 मॉड्यूल , और निम्न स्क्रिप्ट है:

import PyPDF2
pdf_file = open('sample.pdf')
read_pdf = PyPDF2.PdfFileReader(pdf_file)
number_of_pages = read_pdf.getNumPages()
page = read_pdf.getPage(0)
page_content = page.extractText()
print page_content

जब मैं कोड चलाता हूं, तो मुझे निम्नलिखित आउटपुट मिलते हैं जो पीडीएफ दस्तावेज़ में शामिल से अलग है:

!"#$%#$%&%$&'()*%+,-%./01'*23%4
5'%1$#26%3/%7/))/8%&)/26%8#3"%3"*%313/9#&)
%

मैं पीडीएफ दस्तावेज़ में पाठ को कैसे निकाल सकता हूं?


9
मैंने उस मॉड्यूल का उपयोग कभी नहीं किया है, लेकिन अगर आप फ़ाइल को बाइनरी मोड में खोलते हैं तो क्या इससे कोई फर्क पड़ता है pdf_file = open('sample.pdf', 'rb'):?
PM 2Ring

2
आपके जवाब के लिए धन्यवाद। मैंने कोशिश की कि बाइनरी मोड के साथ, लेकिन कुछ भी नहीं बदला
सादगी

3
यदि संभव हो तो एक अच्छे पीडीएफ दर्शक - एडोब के कैनोनिकल एक्रोबैट रीडर का उपयोग करके पाठ को कॉपी करें। क्या आपको वही परिणाम मिलता है? अंतर यह नहीं है कि पाठ अलग है, लेकिन फ़ॉन्ट है - चरित्र कोड अन्य मानों के लिए मैप करता है। सभी PDF में इसे पुनर्स्थापित करने के लिए सही डेटा नहीं है।
usr2564301

2
उस PDF में एक वर्ण CMap तालिका है, इसलिए इस सूत्र में चर्चा की गई प्रतिबंध और कार्य-विवरण प्रासंगिक हैं - stackoverflow.com/questions/4203414/…
बौना

2
पीडीएफ में वास्तव में एक सही सीएमएपी होता है, इसलिए यह तदर्थ चरित्र मानचित्रण को सादे पाठ में बदलने के लिए तुच्छ है। हालाँकि, पाठ के सही क्रम को पुनः प्राप्त करने के लिए अतिरिक्त संसाधन लेता है । मैक ओएस एक्स के क्वार्ट्ज पीडीएफ रेंडरर काम का एक बुरा टुकड़ा है! इसके मूल प्रतिपादन क्रम में मुझे "m T'h iuss iisn ga tosam fopllloew DalFo dnogc wumithe ntht eI tutorial" ... केवल x निर्देशांक द्वारा छाँटने के बाद मुझे अधिक संभावित सही परिणाम मिलता है: "यह एक नमूना पीडीएफ दस्तावेज़ है। I ट्यूटोरियल के साथ पालन करने के लिए उपयोग कर रहा हूँ "।
usr2564301

जवाबों:


200

मैं अजगर 3.x और खिड़कियों के लिए उपयोग करने के लिए एक सरल समाधान की तलाश में था। वहाँ से समर्थन होना प्रतीत नहीं होता है textract है, जो दुर्भाग्यपूर्ण है, लेकिन आप देख रहे हैं खिड़कियों के लिए एक सरल उपाय / अजगर 3 चेकआउट के लिए टीका pdfs पढ़ने के लिए, वास्तव में सीधे आगे पैकेज।

Tika-Python, Apache Tika ™ REST सेवाओं के लिए एक पायथन बंधन है, जिससे Tika को पायथन समुदाय में मूल रूप से बुलाया जा सकता है।

from tika import parser # pip install tika

raw = parser.from_file('sample.pdf')
print(raw['content'])

ध्यान दें कि टीका जावा में लिखा गया है, इसलिए आपको जावा रनटाइम स्थापित करने की आवश्यकता होगी


17
मैंने pypdf2, tika का परीक्षण किया और कोशिश की और textract और pdftotext स्थापित करने में विफल रहा। Pypdf2 ने 99 शब्दों को वापस कर दिया, जबकि टिक ने मेरे परीक्षण चालान से सभी 858 शब्दों को वापस कर दिया। इसलिए मैंने टीका के साथ जाना समाप्त कर दिया।
स्टियन

8
यार मैं तुमसे प्यार करता हूँ मुझे नहीं पता कि इतना अच्छा जवाब StackOverflow में क्यों छिपा है। हर कोई उल्लेख करता है कि हमें PyPDF2 या pdfminer का उपयोग करने की आवश्यकता है लेकिन वे बदबू आ रही हैं। मुझे अब टीका से प्यार है
jxpython

15
मुझे एक "RuntimeError: Tika सर्वर शुरू करने में असमर्थ" त्रुटि मिलती रहती है।
नव

3
उत्तर मैं अपने पूरे जीवन की खोज कर रहा हूं, कोई और टीका की सिफारिश क्यों नहीं करता है? धन्यवाद!
याकूब-जन मोसलमान

4
यदि आपको इसे सभी पीडीएफ फाइलों पर एक निर्देशिका (पुनरावर्ती) में चलाने की आवश्यकता है, तो इस स्क्रिप्ट को लें
होप

58

बनावट का उपयोग करें।

यह पीडीएफ सहित कई प्रकार की फाइलों का समर्थन करता है

import textract
text = textract.process("path/to/file.extension")

24
Textwrap एक अच्छा आवरण लगता है, लेकिन कई गैर-पायथन उपयोगिताओं पर निर्भर करता है जो किसी दिए गए सिस्टम पर आसानी से उपलब्ध नहीं हो सकते हैं।
डेविड ब्राउन

1
पीडीएफ के लिए काम करता है, epubs, आदि - पीडीएफ प्रक्रियाओं कि भी PDFMiner पर विफल रहता है।
उलद कसक

कैसे इसे अंब के लंबो में उपयोग करने के लिए, मैंने यह कोशिश की लेकिन, आयात त्रुटि ने फ्रैक्चर को दूर कर दिया
अरुण कुमार

5
textractPoppler:pdftotext(दूसरों के बीच) के लिए एक आवरण है ।
onewhaleid

1
@ अरुणकुमार: एडब्ल्यूएस लैंबडा में कुछ भी उपयोग करने के लिए जो बिल्ट-इन नहीं है, आपको इसे और सभी अतिरिक्त निर्भरताओं को अपने बंडल में शामिल करना होगा।
जेफ लीमैन

51

इस कोड को देखें:

import PyPDF2
pdf_file = open('sample.pdf', 'rb')
read_pdf = PyPDF2.PdfFileReader(pdf_file)
number_of_pages = read_pdf.getNumPages()
page = read_pdf.getPage(0)
page_content = page.extractText()
print page_content.encode('utf-8')

आउटपुट है:

!"#$%#$%&%$&'()*%+,-%./01'*23%4
5'%1$#26%3/%7/))/8%&)/26%8#3"%3"*%313/9#&)
%

201308FCR.pdf से pdf पढ़ने के लिए समान कोड का उपयोग करना । आउटपुट सामान्य है।

इसके प्रलेखन के कारण बताते हैं:

def extractText(self):
    """
    Locate all text drawing commands, in the order they are provided in the
    content stream, and extract the text.  This works well for some PDF
    files, but poorly for others, depending on the generator used.  This will
    be refined in the future.  Do not rely on the order of text coming out of
    this function, as it will change if this function is made more
    sophisticated.
    :return: a unicode string object.
    """

@VineeshTP: क्या आप page_content के लिए कुछ भी प्राप्त कर रहे हैं? यदि हाँ, तो देखें कि क्या यह एक अलग एन्कोडिंग का उपयोग करके मदद करता है (utf-8)
Quinn

पायथन का उपयोग करके पीडीएफ पढ़ने के लिए मुझे मिली सबसे अच्छी लाइब्रेरी 'टीका' है
विनेश टीपी

201308FCR.pdf नहीं मिला।
चैतन्य बापट

30

Textract की कोशिश करने के बाद (जो बहुत अधिक निर्भरता लगता था) और pypdf2 (जो मैं के साथ परीक्षण किए गए pdfs से पाठ नहीं निकाल सका) और tika (जो बहुत धीमा था) मैं pdftotextxpdf से उपयोग करके समाप्त हो गया (जैसा कि पहले से ही एक और उत्तर में सुझाया गया है) और सीधे अजगर से बाइनरी कहा जाता है (आपको pdftotext के लिए पथ को अनुकूलित करने की आवश्यकता हो सकती है):

import os, subprocess
SCRIPT_DIR = os.path.dirname(os.path.abspath(__file__))
args = ["/usr/local/bin/pdftotext",
        '-enc',
        'UTF-8',
        "{}/my-pdf.pdf".format(SCRIPT_DIR),
        '-']
res = subprocess.run(args, stdout=subprocess.PIPE, stderr=subprocess.PIPE)
output = res.stdout.decode('utf-8')

नहीं है pdftotext जो मूल रूप से एक ही करता है लेकिन, जबकि मैं एडब्ल्यूएस लैम्ब्डा में इस का उपयोग कर रहा है और मौजूदा निर्देशिका से उपयोग करना चाहता था इस pdftotext में / usr / स्थानीय / बिन मान लिया गया है।

Btw: लैम्ब्डा पर इसका उपयोग करने के लिए आपको बाइनरी और निर्भरता को libstdc++.soअपने लैम्ब्डा फ़ंक्शन में डालने की आवश्यकता है । मुझे व्यक्तिगत रूप से xpdf संकलित करने की आवश्यकता है। जैसा कि इसके लिए निर्देश इस उत्तर को उड़ा देंगे, मैंने उन्हें अपने व्यक्तिगत ब्लॉग पर डाल दिया ।


4
हे भगवान, यह काम करता है !! अंत में, एक समाधान जो पाठ को सही क्रम में निकालता है! मैं आपको इस जवाब के लिए गले लगाना चाहता हूं! (या यदि आप गले नहीं
लगते हैं

4
खुशी हुई कि इससे मदद मिली! अपवोटिंग गले लगाने जैसी अनुभूति देता है, इसलिए मैं ठीक हूँ!
हंसपूल

सरल ... gr8 बॉक्स से बाहर सोच!
शांतनु पातक

10

आप पाठ को निकालने के लिए समय सिद्ध xPDF और व्युत्पन्न साधनों का उपयोग करना चाह सकते हैं क्योंकि pyPDF2 पाठ निष्कर्षण के साथ अभी भी विभिन्न मुद्दों पर है

इसका लंबा जवाब यह है कि पीडीएफ के अंदर एक पाठ को कैसे इनकोड किया गया है, इसकी बहुत सारी विविधताएं हैं और इसे पीडीएफ स्ट्रिंग को स्वयं डीकोड करना पड़ सकता है, फिर सीएमएपी के साथ मैप करना पड़ सकता है, फिर शब्दों और अक्षरों आदि के बीच की दूरी का विश्लेषण करने की आवश्यकता हो सकती है।

यदि पीडीएफ क्षतिग्रस्त हो जाता है (यानी सही पाठ प्रदर्शित करता है लेकिन कॉपी करते समय यह कचरा देता है) और आपको वास्तव में पाठ को निकालने की आवश्यकता है, तो आप पीडीएफ को छवि में परिवर्तित करने पर विचार कर सकते हैं ( इमेजमैजिक का उपयोग करके ) और फिर छवि से पाठ प्राप्त करने के लिए टेसरैक्ट का उपयोग करें। OCR का उपयोग करना।


-1 क्योंकि ओपी पायथन में pdfs पढ़ने के लिए कह रहा है, और हालांकि अजगर के लिए एक xpdf आवरण है जो इसे खराब बनाए रखता है।
cduguet

9

मैंने कई अजगर पीडीएफ कन्वर्टर्स की कोशिश की है, और मुझे यह समीक्षा अपडेट करना पसंद है। टीका सर्वश्रेष्ठ में से एक है। लेकिन PyMuPDF @ehsaneha यूजर की ओर से एक अच्छी खबर है।

मैंने उनकी तुलना करने के लिए एक कोड किया: https://github.com/erfelipe/PDFtextExtraction मैं आपसे मदद की उम्मीद करता हूं।

Tika-Python, Apache Tika ™ REST सेवाओं के लिए एक पायथन बंधन है, जिससे Tika को पायथन समुदाय में मूल रूप से बुलाया जा सकता है।

from tika import parser

raw = parser.from_file("///Users/Documents/Textos/Texto1.pdf")
raw = str(raw)

safe_text = raw.encode('utf-8', errors='ignore')

safe_text = str(safe_text).replace("\n", "").replace("\\", "")
print('--- safe text ---' )
print( safe_text )

3
विशेष धन्यवाद के लिए.encode('utf-8', errors='ignore')
एवगेनी

AttributeError: मॉड्यूल 'ओएस' कोई विशेषता 'setsid' है
Keramat

7

नीचे दिए गए कोड पायथन 3 में प्रश्न का हल है । कोड चलाने से पहले, सुनिश्चित करें कि आपने PyPDF2अपने वातावरण में पुस्तकालय स्थापित किया है। यदि स्थापित नहीं है, तो कमांड प्रॉम्प्ट खोलें और निम्न कमांड चलाएँ:

pip3 install PyPDF2

समाधान कोड:

import PyPDF2
pdfFileObject = open('sample.pdf', 'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObject)
count = pdfReader.numPages
for i in range(count):
    page = pdfReader.getPage(i)
    print(page.extractText())

2
आप एक पाठ फ़ाइल में सभी सामग्री को कैसे बचाएंगे और इसे आगे के विश्लेषण के लिए उपयोग करेंगे
राहुल अग्रवाल

7
इससे वास्तविक प्रश्न में वर्णित समस्या का समाधान नहीं होता है।
सौमिक रक्षित

6

कुछ मामलों में PyPDF2 श्वेत स्थानों को अनदेखा करता है और परिणाम पाठ को गड़बड़ बनाता है, लेकिन मैं PyMuPDF का उपयोग करता हूं और मैं वास्तव में संतुष्ट हूं कि आप अधिक जानकारी के लिए इस लिंक का उपयोग कर सकते हैं


pymupdf सबसे अच्छा समाधान है जिसे मैंने देखा है, इसमें अतिरिक्त C ++ पुस्तकालयों की आवश्यकता नहीं है जैसे pdftotext या java जैसे tika
Kay

pymypdf वास्तव में सबसे अच्छा समाधान है, कोई अतिरिक्त सर्वर या लाइब्रेरी नहीं है, और यह फ़ाइल के साथ काम करता है जहां PyPDF2 PypDF3 PyPDF4 पाठ के खाली स्ट्रिंग को फिर से बनाता है। बहुत धन्यवाद!
एंड्रिया बिसेलो

pymupdf स्थापित करने के लिए, रन करें pip install pymupdf==1.16.16। इस विशिष्ट संस्करण का उपयोग करना क्योंकि आज नवीनतम संस्करण (17) काम नहीं कर रहा है। मैंने pymupdf का विकल्प चुना क्योंकि यह टेक्स्ट रैपिंग फ़ील्ड्स को नई लाइन चार में निकालता है \n। इसलिए मैं pymupdf के साथ एक स्ट्रिंग के लिए पीडीएफ से पाठ निकाल रहा हूं और फिर मैं my_extracted_text.splitlines()एक सूची में, लाइनों में पाठ को विभाजित करने के लिए उपयोग कर रहा हूं ।
इरिकफिस 13

PyMuPDF वास्तव में आश्चर्यजनक था। धन्यवाद।
एरफेलिप

6

pdftotext सबसे अच्छा और सरल है! pdftotext संरचना को भी सुरक्षित रखता है।

मैंने PyPDF2, PDFMiner और कुछ अन्य लोगों की कोशिश की, लेकिन उनमें से किसी ने भी संतोषजनक परिणाम नहीं दिया।


Pdf2text स्थापित करते समय संदेश निम्नानुसार है Collecting PDFMiner (from pdf2text), इसलिए मुझे यह उत्तर अभी समझ में नहीं आया है।
zhy

pdf2text और pdftotext अलग-अलग हैं। आप उत्तर से लिंक का उपयोग कर सकते हैं।
धर्म

ठीक है। वह थोड़ा गड़बड़ है।
zhy


5

मल्टी-पेज पीडीएफ़ को नीचे दिए गए कोड के रूप में तर्क के रूप में व्यक्तिगत पेज नंबर देने के बजाय एकल खिंचाव पर पाठ के रूप में निकाला जा सकता है

import PyPDF2
import collections
pdf_file = open('samples.pdf', 'rb')
read_pdf = PyPDF2.PdfFileReader(pdf_file)
number_of_pages = read_pdf.getNumPages()
c = collections.Counter(range(number_of_pages))
for i in c:
   page = read_pdf.getPage(i)
   page_content = page.extractText()
   print page_content.encode('utf-8')

केवल समस्या यहाँ नए पृष्ठ की सामग्री पिछले एक को ओवरराइट करती है
राहुल अग्रवाल

3

यहां टेक्स्ट को निकालने का सबसे सरल कोड है

कोड:

# importing required modules
import PyPDF2

# creating a pdf file object
pdfFileObj = open('filename.pdf', 'rb')

# creating a pdf reader object
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)

# printing number of pages in pdf file
print(pdfReader.numPages)

# creating a page object
pageObj = pdfReader.getPage(5)

# extracting text from page
print(pageObj.extractText())

# closing the pdf file object
pdfFileObj.close()

टीका ’को याद करना
विनेश टीपी

2

मुझे यहां एक समाधान मिला PDFLayoutTextStripper

यह अच्छा है क्योंकि यह मूल पीडीएफ के लेआउट को रख सकता है ।

यह जावा में लिखा है, लेकिन मैंने पायथन का समर्थन करने के लिए एक गेटवे जोड़ा है।

नमूना कोड:

from py4j.java_gateway import JavaGateway

gw = JavaGateway()
result = gw.entry_point.strip('samples/bus.pdf')

# result is a dict of {
#   'success': 'true' or 'false',
#   'payload': pdf file content if 'success' is 'true'
#   'error': error message if 'success' is 'false'
# }

print result['payload']

PDFLayoutTextStripper से नमूना आउटपुट : यहां छवि विवरण दर्ज करें

आप यहां अधिक विवरण देख सकते हैं स्ट्रिपर विथ पायथन


2

मुझे OCR से बेहतर काम मिला है और पीडीएफ से टेक्स्ट निकालते समय पृष्ठ संरेखण बनाए रखना है। मदद का होना चाहिए:

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from io import StringIO

def convert_pdf_to_txt(path):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    fp = open(path, 'rb')
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    password = ""
    maxpages = 0
    caching = True
    pagenos=set()


    for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True):
        interpreter.process_page(page)


    text = retstr.getvalue()

    fp.close()
    device.close()
    retstr.close()
    return text

text= convert_pdf_to_txt('test.pdf')
print(text)

नायब। नवीनतम संस्करण अब codecarg का उपयोग नहीं करता है । मैंने इसे हटाकर इसे ठीक कर दिया हैdevice = TextConverter(rsrcmgr, retstr, laparams=laparams)
atomh33ls

1

नीचे दिए गए कोड से पीडीएफ उपयोग से पाठ निकालने के लिए

import PyPDF2
pdfFileObj = open('mypdf.pdf', 'rb')

pdfReader = PyPDF2.PdfFileReader(pdfFileObj)

print(pdfReader.numPages)

pageObj = pdfReader.getPage(0)

a = pageObj.extractText()

print(a)

0

मैं इसे पूरा करने के लिए कोड जोड़ रहा हूं: यह मेरे लिए ठीक काम कर रहा है:

# This works in python 3
# required python packages
# tabula-py==1.0.0
# PyPDF2==1.26.0
# Pillow==4.0.0
# pdfminer.six==20170720

import os
import shutil
import warnings
from io import StringIO

import requests
import tabula
from PIL import Image
from PyPDF2 import PdfFileWriter, PdfFileReader
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfpage import PDFPage

warnings.filterwarnings("ignore")


def download_file(url):
    local_filename = url.split('/')[-1]
    local_filename = local_filename.replace("%20", "_")
    r = requests.get(url, stream=True)
    print(r)
    with open(local_filename, 'wb') as f:
        shutil.copyfileobj(r.raw, f)

    return local_filename


class PDFExtractor():
    def __init__(self, url):
        self.url = url

    # Downloading File in local
    def break_pdf(self, filename, start_page=-1, end_page=-1):
        pdf_reader = PdfFileReader(open(filename, "rb"))
        # Reading each pdf one by one
        total_pages = pdf_reader.numPages
        if start_page == -1:
            start_page = 0
        elif start_page < 1 or start_page > total_pages:
            return "Start Page Selection Is Wrong"
        else:
            start_page = start_page - 1

        if end_page == -1:
            end_page = total_pages
        elif end_page < 1 or end_page > total_pages - 1:
            return "End Page Selection Is Wrong"
        else:
            end_page = end_page

        for i in range(start_page, end_page):
            output = PdfFileWriter()
            output.addPage(pdf_reader.getPage(i))
            with open(str(i + 1) + "_" + filename, "wb") as outputStream:
                output.write(outputStream)

    def extract_text_algo_1(self, file):
        pdf_reader = PdfFileReader(open(file, 'rb'))
        # creating a page object
        pageObj = pdf_reader.getPage(0)

        # extracting extract_text from page
        text = pageObj.extractText()
        text = text.replace("\n", "").replace("\t", "")
        return text

    def extract_text_algo_2(self, file):
        pdfResourceManager = PDFResourceManager()
        retstr = StringIO()
        la_params = LAParams()
        device = TextConverter(pdfResourceManager, retstr, codec='utf-8', laparams=la_params)
        fp = open(file, 'rb')
        interpreter = PDFPageInterpreter(pdfResourceManager, device)
        password = ""
        max_pages = 0
        caching = True
        page_num = set()

        for page in PDFPage.get_pages(fp, page_num, maxpages=max_pages, password=password, caching=caching,
                                      check_extractable=True):
            interpreter.process_page(page)

        text = retstr.getvalue()
        text = text.replace("\t", "").replace("\n", "")

        fp.close()
        device.close()
        retstr.close()
        return text

    def extract_text(self, file):
        text1 = self.extract_text_algo_1(file)
        text2 = self.extract_text_algo_2(file)

        if len(text2) > len(str(text1)):
            return text2
        else:
            return text1

    def extarct_table(self, file):

        # Read pdf into DataFrame
        try:
            df = tabula.read_pdf(file, output_format="csv")
        except:
            print("Error Reading Table")
            return

        print("\nPrinting Table Content: \n", df)
        print("\nDone Printing Table Content\n")

    def tiff_header_for_CCITT(self, width, height, img_size, CCITT_group=4):
        tiff_header_struct = '<' + '2s' + 'h' + 'l' + 'h' + 'hhll' * 8 + 'h'
        return struct.pack(tiff_header_struct,
                           b'II',  # Byte order indication: Little indian
                           42,  # Version number (always 42)
                           8,  # Offset to first IFD
                           8,  # Number of tags in IFD
                           256, 4, 1, width,  # ImageWidth, LONG, 1, width
                           257, 4, 1, height,  # ImageLength, LONG, 1, lenght
                           258, 3, 1, 1,  # BitsPerSample, SHORT, 1, 1
                           259, 3, 1, CCITT_group,  # Compression, SHORT, 1, 4 = CCITT Group 4 fax encoding
                           262, 3, 1, 0,  # Threshholding, SHORT, 1, 0 = WhiteIsZero
                           273, 4, 1, struct.calcsize(tiff_header_struct),  # StripOffsets, LONG, 1, len of header
                           278, 4, 1, height,  # RowsPerStrip, LONG, 1, lenght
                           279, 4, 1, img_size,  # StripByteCounts, LONG, 1, size of extract_image
                           0  # last IFD
                           )

    def extract_image(self, filename):
        number = 1
        pdf_reader = PdfFileReader(open(filename, 'rb'))

        for i in range(0, pdf_reader.numPages):

            page = pdf_reader.getPage(i)

            try:
                xObject = page['/Resources']['/XObject'].getObject()
            except:
                print("No XObject Found")
                return

            for obj in xObject:

                try:

                    if xObject[obj]['/Subtype'] == '/Image':
                        size = (xObject[obj]['/Width'], xObject[obj]['/Height'])
                        data = xObject[obj]._data
                        if xObject[obj]['/ColorSpace'] == '/DeviceRGB':
                            mode = "RGB"
                        else:
                            mode = "P"

                        image_name = filename.split(".")[0] + str(number)

                        print(xObject[obj]['/Filter'])

                        if xObject[obj]['/Filter'] == '/FlateDecode':
                            data = xObject[obj].getData()
                            img = Image.frombytes(mode, size, data)
                            img.save(image_name + "_Flate.png")
                            # save_to_s3(imagename + "_Flate.png")
                            print("Image_Saved")

                            number += 1
                        elif xObject[obj]['/Filter'] == '/DCTDecode':
                            img = open(image_name + "_DCT.jpg", "wb")
                            img.write(data)
                            # save_to_s3(imagename + "_DCT.jpg")
                            img.close()
                            number += 1
                        elif xObject[obj]['/Filter'] == '/JPXDecode':
                            img = open(image_name + "_JPX.jp2", "wb")
                            img.write(data)
                            # save_to_s3(imagename + "_JPX.jp2")
                            img.close()
                            number += 1
                        elif xObject[obj]['/Filter'] == '/CCITTFaxDecode':
                            if xObject[obj]['/DecodeParms']['/K'] == -1:
                                CCITT_group = 4
                            else:
                                CCITT_group = 3
                            width = xObject[obj]['/Width']
                            height = xObject[obj]['/Height']
                            data = xObject[obj]._data  # sorry, getData() does not work for CCITTFaxDecode
                            img_size = len(data)
                            tiff_header = self.tiff_header_for_CCITT(width, height, img_size, CCITT_group)
                            img_name = image_name + '_CCITT.tiff'
                            with open(img_name, 'wb') as img_file:
                                img_file.write(tiff_header + data)

                            # save_to_s3(img_name)
                            number += 1
                except:
                    continue

        return number

    def read_pages(self, start_page=-1, end_page=-1):

        # Downloading file locally
        downloaded_file = download_file(self.url)
        print(downloaded_file)

        # breaking PDF into number of pages in diff pdf files
        self.break_pdf(downloaded_file, start_page, end_page)

        # creating a pdf reader object
        pdf_reader = PdfFileReader(open(downloaded_file, 'rb'))

        # Reading each pdf one by one
        total_pages = pdf_reader.numPages

        if start_page == -1:
            start_page = 0
        elif start_page < 1 or start_page > total_pages:
            return "Start Page Selection Is Wrong"
        else:
            start_page = start_page - 1

        if end_page == -1:
            end_page = total_pages
        elif end_page < 1 or end_page > total_pages - 1:
            return "End Page Selection Is Wrong"
        else:
            end_page = end_page

        for i in range(start_page, end_page):
            # creating a page based filename
            file = str(i + 1) + "_" + downloaded_file

            print("\nStarting to Read Page: ", i + 1, "\n -----------===-------------")

            file_text = self.extract_text(file)
            print(file_text)
            self.extract_image(file)

            self.extarct_table(file)
            os.remove(file)
            print("Stopped Reading Page: ", i + 1, "\n -----------===-------------")

        os.remove(downloaded_file)


# I have tested on these 3 pdf files
# url = "http://s3.amazonaws.com/NLP_Project/Original_Documents/Healthcare-January-2017.pdf"
url = "http://s3.amazonaws.com/NLP_Project/Original_Documents/Sample_Test.pdf"
# url = "http://s3.amazonaws.com/NLP_Project/Original_Documents/Sazerac_FS_2017_06_30%20Annual.pdf"
# creating the instance of class
pdf_extractor = PDFExtractor(url)

# Getting desired data out
pdf_extractor.read_pages(15, 23)

0

आप यहाँ से tika-app-xxx.jar (नवीनतम) डाउनलोड कर सकते हैं

फिर इस .jar फ़ाइल को अपनी अजगर स्क्रिप्ट फ़ाइल के समान फ़ोल्डर में रखें।

फिर स्क्रिप्ट में निम्न कोड डालें:

import os
import os.path

tika_dir=os.path.join(os.path.dirname(__file__),'<tika-app-xxx>.jar')

def extract_pdf(source_pdf:str,target_txt:str):
    os.system('java -jar '+tika_dir+' -t {} > {}'.format(source_pdf,target_txt))

इस विधि का लाभ:

कम निर्भरता। एक अजगर पैकेज का प्रबंधन करने के लिए एकल .jar फ़ाइल को प्रबंधित करना आसान है।

बहु-प्रारूप समर्थन। स्थिति source_pdfकिसी भी तरह के दस्तावेज की निर्देशिका हो सकती है। (.doc, .html, .odt, आदि)

आधुनिक। tika-app.jar हमेशा tika python पैकेज के प्रासंगिक संस्करण से पहले रिलीज़ होता है।

स्थिर। यह PyPDF की तुलना में कहीं अधिक स्थिर और सुव्यवस्थित (अपाचे द्वारा संचालित) है।

हानि:

एक jre-headless आवश्यक है।


पूरी तरह से नहीं pythonic समाधान। यदि आप यह सलाह देते हैं, तो आपको एक अजगर पैकेज बनाना चाहिए और लोगों को आयात करना चाहिए। अजगर में जावा कोड के कमांड लाइन निष्पादन का उपयोग करने की अनुशंसा न करें।
माइकल टैमिलो

@MichaelTamillow, अगर कोई कोड जो कि pypi में अपलोड होने वाला है, लिख रहा हूं, तो मैं मानता हूं कि यह एक अच्छा विचार नहीं है। हालांकि, अगर यह अस्थायी उपयोग के लिए शेबंग के साथ सिर्फ एक अजगर स्क्रिप्ट है, तो यह बुरा नहीं है, है ना?
पहर

खैर, इस सवाल का शीर्षक "अजगर" नहीं है - इसलिए मुझे लगता है कि "यहाँ जावा में इसे कैसे करना है" बताते हुए इससे अधिक स्वीकार्य है। तकनीकी रूप से, आप पाइथन में जो चाहें कर सकते हैं। इसलिए यह कमाल और भयानक दोनों है। अस्थायी उपयोग एक बुरी आदत है।
माइकल टैमिलो

0

यदि आप इसे विंडोज पर एनाकोंडा में आज़माते हैं, तो PyPDF2 गैर-मानक संरचना या यूनिकोड वर्णों के साथ कुछ PDF को संभाल नहीं सकता है। अगर आपको बहुत सारी पीडीएफ़ फाइलें खोलने और पढ़ने की ज़रूरत है, तो मैं निम्नलिखित कोड का उपयोग करने की सलाह देता हूं - रिश्तेदार पथ वाले फ़ोल्डर में सभी पीडीएफ फाइलों का पाठ .//pdfs//सूची में संग्रहीत किया जाएगा pdf_text_list

from tika import parser
import glob

def read_pdf(filename):
    text = parser.from_file(filename)
    return(text)


all_files = glob.glob(".\\pdfs\\*.pdf")
pdf_text_list=[]
for i,file in enumerate(all_files):
    text=read_pdf(file)
    pdf_text_list.append(text['content'])

print(pdf_text_list)

-1

PyPDF2 काम करता है, लेकिन परिणाम भिन्न हो सकते हैं। मैं इसके परिणाम निष्कर्षण से काफी असंगत निष्कर्ष देख रहा हूं।

reader=PyPDF2.pdf.PdfFileReader(self._path)
eachPageText=[]
for i in range(0,reader.getNumPages()):
    pageText=reader.getPage(i).extractText()
    print(pageText)
    eachPageText.append(pageText)
हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.