pyPdf nicht in der Lage zum extrahieren von text aus einigen Seiten in meinem PDF

Ich versuche, pyPdf zu extrahieren und drucken von Seiten aus einer mehrseitigen PDF-Datei. Problem ist, der text nicht extrahiert von einigen Seiten. Ich habe eine Beispiel-Datei hier:

http://www.4shared.com/document/kmJF67E4/forms.html

Wenn Sie führen Sie den folgenden, die ersten 81 Seiten zurück keinen text, während die letzten 11 Extrakt richtig. Kann mir jemand helfen?

from pyPdf import PdfFileReader  
input = PdfFileReader(file("forms.pdf", "rb"))  
for page in input1.pages:  
    print page.extractText()
InformationsquelleAutor DrJAKing | 2010-11-17
  1. 9

    Beachten Sie, dass extractText() hat immer noch Probleme extrahieren Sie den text richtig. Aus der Dokumentation für extractText():

    Dies funktioniert gut für einige PDF-Dateien,
    aber schlecht für die anderen, je nach
    der generator verwendet. Dies wird
    raffiniert in der Zukunft. Verlassen Sie sich nicht auf
    die Reihenfolge der text aus diesem
    Funktion, wie es wird sich ändern, wenn diese
    die Funktion ist anspruchsvoll.

    Da ist es der text, den Sie möchten, können Sie den Linux-Befehl pdftotext.

    Darauf berufen, dass mit Python, können Sie dies tun:

    >>> import subprocess
>>> subprocess.call(['pdftotext', 'forms.pdf', 'output'])

    Text ist ein Auszug aus forms.pdf und gespeichert werden, um output.

    Dies funktioniert im Falle Ihrer PDF-Datei und extrahiert den text, den Sie wollen.

    • Vielen Dank für Ihre Hilfe. Ich hatte versucht, pdftotext und zog es über, wie es nur teilweise das problem löst. Ich muss das aufsplitten der pdf-Datei in separate Dateien auf der Grundlage der UID ist, die sich auf jeder Seite. Allerdings die letzten 10 Seiten oder so, die pyPdf extrahieren können, nicht über die textliche Seite der Etiketten, so dass die Verwendung von pdftotext, während es gibt mir alle den text, nicht geben mir die Möglichkeit der Erzeugung einer Liste der Seiten, die für eine bestimmte UID.
    • Dies nicht tun, einen schlechten job der Ausgabe der PDF ist text, aber nicht die Erhaltung der Tabellenformatierung.
    InformationsquelleAutor user225312
  2. 1

    Könnte man auch versuchen, die pdfminer Bibliothek (auch in python), und sehen, ob es besser für das extrahieren von text. Für die Spaltung jedoch, Sie haben zu stick mit pyPdf als pdfminer nicht unterstützen.

    • Ich habe versucht pdfminer... diese Seiten nicht bekommen, richtig extrahiert aus irgendeinem Grund.
    InformationsquelleAutor Steven
  3. 1

    Ist dies nicht wirklich eine Antwort, aber das problem mit pyPdf ist dies: es braucht nicht noch Unterstützung CMaps. PDF-Zeichensätze verwenden, CMaps, um Charakter-IDs (bytes in der PDF-Datei), um Unicode-Zeichencodes. Wenn Sie eine PDF-Datei, die ASCII-fremde Zeichen enthält, gibt es wahrscheinlich eine CMap verwendet wird, und manchmal sogar, wenn es keine nicht-ASCII-Zeichen. Wenn pyPdf trifft auf strings, die nicht in der standard-Unicode-Codierung, es sieht nur ein paar byte code; es kann nicht konvertieren Sie diese bytes in Unicode, so dass es nur gibt Sie leere Zeichenfolgen. Ich hatte eigentlich das gleiche problem und ich bin auf den source code im moment. Es ist zeitaufwendig, aber ich hoffe die schicken einen patch an den maintainer einige Zeit, um die Mitte des Jahres 2011.

    InformationsquelleAutor brosef
  4. 0

    Ich finde es manchmal sinnvoll, Sie zu konvertieren, um ps (versuchen mit pdf2psund pdftops für mögliche Unterschiede), dann zurück zu pdf (ps2pdf). Dann versuchen Sie Ihr original-Skript erneut aus.

    • Ich war hoffnungsvoll, aber alle scheint es, zu tun ist, damit die ursprüngliche Datei größer und verlangsamen die Gewinnung von null text!
    • Sorry, es funktionierte für mich "einige Male", nicht immer.
    InformationsquelleAutor Danosaure
  5. 0

    Bin ich angefangen zu denken, sollte ich adoptieren, ein chaotisch-zwei-Teil-Lösung. es gibt zwei Abschnitte, um die PDF-Datei, S. 1-82, die text-Seite Etiketten (pdftotext extrahiert werden können), und pp-83-Ende, die haben keine Seite, die labels aber pyPDF extrahieren können und es explizit weiß-Seiten.

    Ich glaube, ich muss mich um die beiden zu verbinden. Klobig, aber ich sehe keinen Weg um Sie herum. Leider bin ich zu diesem Zweck auf einem Windows-Rechner.

    InformationsquelleAutor DrJAKing
  6. 0

    Ich hatte ähnliches problem mit einigen PDF-Dateien und für windows, das funktioniert für mich ausgezeichnet:

    1.- Download Xpdf-tools für windows

    2.- kopieren pdftotext.exe von xpdf-tools-win-4.00\bin32 zu C:\Windows\System32 und auch C:\Windows\SysWOW64

    3.- verwenden Teilprozess ausführen-Befehl von der Konsole:

    import subprocess

try:
    extInfo = subprocess.check_output('pdftotext.exe '+filePath + ' -',shell=True,stderr=subprocess.STDOUT).strip()
except Exception as e:
    print (e)
    InformationsquelleAutor Budlog
Schreibe einen Kommentar