PythonでPDFから情報を一括抽出する方法は何ですか？

2年 ago
桜, 春樹
1 minute

PDFファイルから情報を一括で抽出するには、PyPDF2やpdfminer.sixなどのPythonのサードパーティーライブラリを使用することができます。以下に、これらのライブラリを使用したサンプルコードがあります。

PyPDF2ライブラリを使う：

import PyPDF2

# 创建一个PDF文件对象
pdf_file = open('path/to/pdf/file.pdf', 'rb')

# 创建一个PDF阅读器对象
pdf_reader = PyPDF2.PdfFileReader(pdf_file)

# 获取PDF文件的页数
num_pages = pdf_reader.numPages

# 遍历每一页，提取信息
for page_num in range(num_pages):
    page = pdf_reader.getPage(page_num)
    text = page.extract_text()
    # 在这里处理提取出的文本信息

# 关闭PDF文件对象
pdf_file.close()

pdfminer.sixライブラリの使用:

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 extract_text_from_pdf(pdf_path):
    resource_manager = PDFResourceManager()
    string_io = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = TextConverter(resource_manager, string_io, codec=codec, laparams=laparams)
    fp = open(pdf_path, 'rb')
    interpreter = PDFPageInterpreter(resource_manager, device)

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

    text = string_io.getvalue()

    fp.close()
    device.close()
    string_io.close()

    return text

# 调用提取函数，传入PDF文件路径
pdf_text = extract_text_from_pdf('path/to/pdf/file.pdf')
# 在这里处理提取出的文本信息

これらのサンプルコードは、PDFファイルからテキスト情報を抽出し、必要に応じてさらなる処理を行うことができます。

bannerAds