python pdfminerの例

最初にpdfminer.sixをインストールし、次に、ニーズに応じてPDFテキストを抽出するさまざまなメソッドを選択します。 2。Extract_Pages（）を使用してページごとに解析し、LTTextContainerと組み合わせてテキストブロックとその座標情報を取得します。 4. PDFresourceManagerとTextConverterを使用して、高度なシナリオで解析プロセスをカスタマイズし、フォーマット変換をサポートします。このライブラリはスキャンされたファイルをサポートしていないことに注意する必要があり、複雑なエンコードは文字化けコードにつながる可能性があります。 OCRツールに協力して、画像タイプのPDFを処理し、最後に実際のニーズに応じてテキスト抽出タスクを完了するための適切な方法を選択することをお勧めします。

pdfminer 、PDFファイルからテキストとレイアウト情報を抽出するためのPythonライブラリであり、特にPDFコンテンツ構造が必要なシナリオに適しています。以下は、 pdfminerを使用してすぐに開始できるようにする簡単で実用的な例です。

pdfminer.sixをインストールします

まず、 pdfminer.sixがインストールされていることを確認してください（これはアクティブメンテナンスのブランチです）。

 pipインストールpdfminer.six

？例1：PDF全体からテキストコンテンツを抽出します

pdfminer.high_levelインポートextext_textから

＃抽出pdfテキスト= extract_text（ "emple.pdf"）

印刷（テキスト）

⚠️説明： extract_text 、ほとんどのプレーンテキスト抽出タスクに適した最も単純なインターフェイスです。 PDFがスキャンされた（画像）の場合、テキストを抽出できません。

？例2：ページごとにページ番号を抽出して表示します

pdfminer.high_levelインポートextract_pagesから
pdfminer.layoutインポートlttextcontainerから

extract_pagesのpage_layout（ "example.pdf"）：
    印刷（f "---ページ---"）
    page_layoutの要素の場合：
        ISInstance（要素、lttextcontainer）の場合：
            print（element.get_text（）。strip（））

この方法では、各ページのコンテンツを制御し、テキストブロックを区別できます。

？例3：より詳細なテキストの位置情報（座標）を取得する

pdfminer.high_levelインポートextract_pagesから
pdfminer.layoutインポートlttextline、lttextboxから

extract_pagesのpage_layout（ "example.pdf"）：
    page_layoutの要素の場合：
        ISINSTANCE（要素、LTTEXTBOX）の場合：
            print（ "textbox："）
            要素のtext_lineの場合：
                ISInstance（text_line、lttextline）：
                    print（f "text： '{text_line.get_text（）。strip（）}'"）
                    print（f "Bounding Box：{text_line.bbox}"）

bbox (x0, y0, x1, y1)座標を返します。これは、テキストの場所（テーブルやタイトルポジショニングなど）を分析するために使用できます。

Advided Advanced Usage： PDFResourceManagerとPageInterpreterを使用します

カスタム解析ロジックが必要なシナリオに適しています。

 pdfminer.pdfinterpからpdfresourcemanager、pdfpageinterpreterから
pdfminer.pdfpageからpdfpageからインポート
pdfminer.layoutインポートlaparamsから
pdfminer.converterからtextconverterからインポート
IOインポートStringioから

def extract_text_advanced（pdf_path）：
    resource_manager = pdfresourcemanager（）
    fake_file_handle = stringio（）
    laparams = laparams（）
    converter = textconverter（resource_manager、fake_file_handle、laparams = laparams）
    page_interpreter = pdfpageinterpreter（resource_manager、converter）

    fhとしてOpen（pdf_path、 'rb'）：
        pdfpage.get_pagesのページ（fh、caching = true、check_extractable = true）：
            page_interpreter.process_page（ページ）

    テキスト= fake_file_handle.getValue（）

    ＃cleanconverter.close（）
    fake_file_handle.close（）

    テキストを返します

＃Text = extext_text_advanced（ "emple.pdf"）を使用してください
印刷（テキスト）

この方法はより柔軟であり、 TextConverterを交換して、他の形式をHTMLConverterまたはXMLConverterに出力できます。

？ヒント

• pdfminer 、PDFSのスキャンに無効なテキストストリームを解析します（写真）。 pytesseractなどのOCRツールと組み合わせる必要があります。
• 一部のPDFフォントには複雑なエンコードがあり、文字化けされているように見える場合があります。 laparamsパラメーターを設定して、解析動作を調整することを試みることができます。
• フォーマット（ラインブレーク、インデントなど）を保存する必要がある場合は、 LAParams(boxes_flow=None)を使用して自動マージされたテキストブロックを削減することをお勧めします。

基本的にこれらの一般的な用途。ほとんどのテキスト抽出タスクでは、 extract_text()直接使用するだけで十分です。レイアウト情報が必要な場合は、 extract_pages()または根底にあるインターフェイスを詳細に使用します。

以上がpython pdfminerの例の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。