Извлечение текста из pdf с помощью Python и Pypdf2

Я хочу извлечь текст из файла pdf, используя пакет Python и PYPDF. Это мой pdf fie, и это мой код:

Моя проблема заключается в том, что P_lines не может извлекать данные строка за строкой и приводит к одной гигантской строке. Я хочу извлечь текст строка за строкой, чтобы проанализировать его. Есть какие-нибудь предложения о том, как его улучшить? Спасибо! Это строка, которую возвращает код:

Microsoft Excel является наиболее широко используемым программным обеспечением для работы с электронными таблицами в мире, и на то есть веская причина: удобный интерфейс и мощные встроенные инструменты упрощают работу с данными.

Простые способа извлечения данных из PDF

• Общий объем воды источники могут включать пресную воду, добываемую воду и/или оборотную воду ** Информация основана на максимальном потенциале концентрации, и, таким образом, общая сумма может превышать 100

Из примера выше видно, что библиотка xlrd отвечает за чтение данных, а xlwt — за запись, поэтому нет возможности внести изменения в уже созданную книгу без ее копирования в новую. Кроме этого указанные библиотеки работают только с файлами формата xls (Excel 2003) и у них нет поддержки нового формата xlsx (Excel 2007 и выше).

Шаг 1. Открываем PDF в Word

Почему-то мало кто знает, но начиная с 2013 года Microsoft Word научился открывать и распознавать PDF файлы (даже отсканированные, т.е. без текстового слоя!). Делается это совершенно стандартным образом: открываем Word, жмем Файл — Открыть (File — Open) и уточняем PDF-формат в выпадающем списке в правом нижнем углу окна.

Затем выбираем нужный нам PDF-файл и жмем Открыть (Open) . Word сообщает нам, что собирается запустить распознавание этого документа в текст:

Соглашаемся и через несколько секунд увидим наш PDF открытым для редактирования уже в Word:

Так что давайте не будем срезать углы, а сделаем все чуть сложнее, но правильно.

Существует также составная api, которая обеспечивает большую гибкость в обработке результирующих объектов. Например, вы можете реализовать свой собственный алгоритм компоновки, используя его. Этот метод предлагается в других ответах, но я бы рекомендовал это только тогда, когда вам нужно настроить поведение pdfminer.six.

Как извлечь таблицу в виде текста из PDF с помощью Python? CodeRoad

1. удалить ненужные столбцы (правой кнопкой мыши по заголовку столбца — Удалить)
2. заменить точки на запятые (выделить столбцы, щелкнуть правой — Замена значений)
3. удалить знаки равно в шапке (выделить столбцы, щелкнуть правой — Замена значений)
4. удалить верхнюю строку (Главная— Удалить строки — Удаление верхних строк)
5. удалить пустые строки (Главная — Удалить строки — Удаление пустых строк)
6. поднять первую строку в шапку таблицы (Главная — Использовать первую строку в качестве заголовков)
7. отфильтровать лишние данные с помощью фильтра

Мы найдем прямоугольник с самым верхним левым углом. Затем мы найдем все прямоугольники, центр которых находится в пределах значений верхнего y и нижнего y этого верхнего левого прямоугольника. Затем мы отсортируем эти прямоугольники по значению x их центра. Мы удалим эти прямоугольники из списка и повторим.

Заключение

В качестве заключения, надо отметить, примеры в данной статье самые простые и для более глубоко изучения данных методов, я рекомендую обратиться к документации по соответсвующим пакетам.

Также хочу заметить, что указанные пакеты не являются единственными и в статье опущено рассмотрение, таких пакетов как xlwings, который может работать с Excel файлами “на лету” или же PyXLL, который выполняет аналогичные функции ExcelPython.

Кроме этого в статье я попвтался несколько обобщить разборасанный по сети материал, т.к. такие вопросы часто фигурируют на формух и думаю некоторым будет полезно иметь, такую “шпаргалку” под рукой.

Рассмотрим работу с этими способами подробнее. В качестве примера будем использовать готовый файл excel из которого мы сначала считаем данные из первой ячейки, а затем запишем их во вторую. Таких простых примеров будет достаточно для первого ознакомления.

Извлечение текста из pdf с помощью Python и Pypdf2 — CodeRoad

Постановка Задачи: У меня есть PDF, структура которого похожа на таблицы, но линии не видны. Пожалуйста, найдите ниже пример: Приведенное выше изображение показывает, как выглядит моя таблица на одной из страниц PDF. Мои Исследования Как извлечь таблицу в виде текста из PDF с помощью Python? —.

5 ответов

Проблема Я пытаюсь определить, какого типа документ (например, ходатайство, переписка, повестка в суд и т. д.), просматривая его текст, предпочтительно используя python. Все PDFs доступны для поиска, но я не нашел решения для разбора его с помощью python и применения скрипта для поиска (если.

Я разбираю документ PDF с помощью модуля pdfminer python module. Я просто хочу извлечь текст из этого документа. Процесс идет отлично, но когда я извлекаю объекты LTText* , я понимаю, что не получаю весь текст внутри этого объекта LTText* . Похоже, что у него есть внутренний буфер или что-то в.

Вот рабочий пример извлечения текста из файла PDF с использованием текущей версии PDFMiner(сентябрь 2016)

структура PDFMiner недавно изменилась, поэтому это должно работать для извлечения текста из файлов PDF.

Правка : Все еще работает по состоянию на 7 июня 2018 года. Проверено в Python версии 3.x

Изменить: Решение работает с Python 3.7 на 3 октября 2019 года. Я использовал библиотеку Python pdfminer.six , выпущенную в ноябре 2018 года.

потрясающий ответ от DuckPuncher, для Python3 убедитесь, что вы установили pdfminer2 и сделали:

Это работает в мае 2024 года с использованием PDFminer six в Python3.

С помощью мыши выделите области отсканированного PDF-файла, содержащем данные, которые вы хотите извлечь. Используйте курсор, чтобы назвать каждую выбранную область данных. Наконец, нажмите кнопку «Сохранить настройки», а затем» Да», чтобы продолжить.

Извлечение текста из файла PDF с помощью PDFMiner в python? CodeRoad

В своих отчетах я предпочитаю использовать второй способ, а именно использование файла Excel через com-объект с использованием библиотеки win32com. Его преимуществом, является то, что выможете выполнять с файлом все опреции, которые позволяет делать обычный Excel с использованием VBA.