Suche text in PDF-Dateien mit Python?

Ich geschrieben habe, umfangreiche Systeme für die Firma für die ich arbeite, um zu konvertieren PDF-Dateien in Daten für eine Auswertung (Rechnungen, Vergleiche, gescannte Eintrittskarten, etc.), und @Paulo Scardine ist richtig--es gibt keine vollkommen sichere und einfache Weg, dies zu tun. Das heißt, der Schnellste, zuverlässigste und am wenigsten energieintensiven Weg ist pdftotext Teil der xpdf Satz von Werkzeugen. Dieses tool wird schnell konvertieren Sie durchsuchbare PDF-Datei ist eine text-Datei, die Sie Einlesen und Parsen mit Python. Hinweis: Benutzen Sie die -layout argument. Und übrigens, nicht alle PDF-Dateien sind durchsuchbar, nur diejenigen, die den text enthalten. Einige PDF-Dateien enthalten nur Bilder ohne text.

InformationsquelleAutor MikeHunter

Ich habe vor kurzem angefangen mit ScraperWiki zu tun, was Sie beschrieben.

Hier ist ein Beispiel mit ScraperWiki zum extrahieren von PDF-Daten.

Den scraperwiki.pdftoxml() Funktion gibt eine XML-Struktur.

Dann können Sie BeautifulSoup Parsen, in eine navigierbare Struktur.

Hier ist mein code für -

import scraperwiki, urllib2
from bs4 import BeautifulSoup

def send_Request(url):
#Get content, regardless of whether an HTML, XML or PDF file
    pageContent = urllib2.urlopen(url)
    return pageContent

def process_PDF(fileLocation):
#Use this to get PDF, covert to XML
    pdfToProcess = send_Request(fileLocation)
    pdfToObject = scraperwiki.pdftoxml(pdfToProcess.read())
    return pdfToObject

def parse_HTML_tree(contentToParse):
#returns a navigatibale tree, which you can iterate through
    soup = BeautifulSoup(contentToParse)
    return soup

pdf = process_PDF('http://greenteapress.com/thinkstats/thinkstats.pdf')
pdfToSoup = parse_HTML_tree(pdf)
soupToArray = pdfToSoup.findAll('text')
for line in soupToArray:
    print line

Dieser code wird zum drucken eines ganzen, großen hässlichen Haufen <text> - tags.
Jede Seite ist getrennt mit einer </page>, wenn das ein Trost ist.

Wenn Sie möchten, dass der Inhalt innerhalb des <text> tags, die enthalten könnte überschriften verpackt in <b> zum Beispiel, verwenden Sie line.contents

Wenn Sie nur wollen, jede Textzeile, nicht einschließlich tags, verwenden Sie line.getText()

Es ist chaotisch und schmerzhaft, aber das funktioniert für durchsuchbare PDF-docs. So weit ich habe festgestellt, dass dies genau ist, aber schmerzhaft.

InformationsquelleAutor JasTonAChair

Hier ist die Lösung, die ich fand es bequem für dieses Problem. In der text-variable, die Sie, um text aus PDF-Datei, um Sie zu suchen. Aber ich halte auch die Idee, spiting den text in Stichworten, wie ich auf dieser website gefunden: https://medium.com/@rqaiserr/how-to-convert-pdfs-into-searchable-key-words-with-python-85aab86c544f von waren nahm ich diese Lösung, obwohl er sich auf nltk war nicht sehr einfach ist, könnte es sinnvoll sein, für weitere Zwecke:

import PyPDF2 
import textract

from nltk.tokenize import word_tokenize
from nltk.corpus import stopwords

def searchInPDF(filename, key):
    occurrences = 0
    pdfFileObj = open(filename,'rb')
    pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
    num_pages = pdfReader.numPages
    count = 0
    text = ""
    while count < num_pages:
        pageObj = pdfReader.getPage(count)
        count +=1
        text += pageObj.extractText()
    if text != "":
       text = text
    else:
       text = textract.process(filename, method='tesseract', language='eng')
    tokens = word_tokenize(text)
    punctuation = ['(',')',';',':','[',']',',']
    stop_words = stopwords.words('english')
    keywords = [word for word in tokens if not word in stop_words and  not word in punctuation]
    for k in keywords:
        if key == k: occurrences+=1
    return occurrences 

pdf_filename = '/home/florin/Downloads/python.pdf'
search_for = 'string'
print searchInPDF (pdf_filename,search_for)

InformationsquelleAutor florin27