Эффективно манипулируйте и извлекайте информацию из PDF-документов с помощью Python
Вот 6 лучших пакетов Python для работы с файлами PDF. Эти пакеты предлагают всестороннюю поддержку различных операций с PDF, включая извлечение текста и изображений, а также управление файлами PDF.
- PyPDF2
- PdfMiner
- Табула
- PDFQuery
- ПиМиПДФ
- Питессеракт
PyPDF2
pip install PyPDF2
PyPDF2 — самая популярная библиотека для парсинга PDF-файлов на Python.
Мы используем объект PdfReader, который позволяет нам получить доступ к содержимому PDF.
Мы можем извлечь метаданные файла:
from PyPDF2 import PdfReader
reader = PdfReader(path)
meta = reader.metadata
print("Total Pages: ", len(reader.pages))
# All of the following could be None!
print("Author: ", meta.author)
print("Creator: ", meta.creator)
print("Producer: ", meta.producer)
print("Subject: ", meta.subject)
print("Title: ", meta.title)
Мы можем извлечь содержимое с любой страницы:
page = reader.pages[0] print(page.extract_text())
PdfMiner
pip install pdfminer pip install pdfminer.six
PDFMiner — еще одна широко используемая библиотека для парсинга PDF-файлов.
from pdfminer.high_level import extract_text from pdfminer.layout import LAParams text = extract_text(path, laparams=LAParams()) print(text)
Табула
pip install tabula-py
Tabula предоставляет простой интерфейс для извлечения табличных данных из PDF-файлов в DataFrames Pandas.
import tabula
tables = tabula.read_pdf(path, pages='all')
for i, table in enumerate(tables, start=1):
print(f"Table {i}:")
print(table)
print("-----------------------")
PDFQuery
pip install pdfquery
PDFQuery — это библиотека, построенная на основе lxml и pdfminer.six, которая позволяет извлекать информацию из документов PDF с помощью выражений XPath.
from pdfquery import PDFQuery
pdf = PDFQuery(path)
pdf.load()
for element in pdf.tree.iter():
print(element.text)
PyMuPDF
pip install pymupdf
PyMuPDF предоставляет широкий спектр возможностей для анализа и обработки PDF-документов, включая извлечение текста и изображений.
import fitz
doc = fitz.open(path) # open a document
out = open("output.txt", "wb") # create a text output
for page in doc: # iterate the document pages
text = page.get_text().encode("utf8") # get plain text (is in UTF-8)
out.write(text) # write text of page
out.write(bytes((12,))) # write page delimiter (form feed 0x0C)
out.close()
print(text)
Питессеракт
Pytesseract — это библиотека Python, которая служит оболочкой для движка Google Tesseract OCR (оптическое распознавание символов). Технология OCR позволяет извлекать текст из изображений или отсканированных документов. Pytesseract предоставляет простой в использовании интерфейс для использования Tesseract OCR в Python.
Сначала устанавливаем двигатель.
brew install tesseract (МакОС)
sudo apt install tesseract-ocr (Убунту)
Установить пакеты:
pip install pytesseract pip install pdf2image
Pytesseract работает с изображениями, поэтому сначала нужно преобразовать файлы pdf в изображения с помощью пакета pdf2image.
from pdf2image import convert_from_path
images = convert_from_path(path)
for i, image in enumerate(images):
image.save(f'page_{i + 1}.jpg', 'JPEG')
Затем откройте эти изображения с помощью пакета PIL и используйте пакет pytesseract для извлечения из него текстов.
import pytesseract
from PIL import Image
image = Image.open("page_1.jpg")
text = pytesseract.image_to_string(image)
print(text)
Читать далее
Источники
https://pypdf2.readthedocs.io/en/latest/index.html
https://pdfminersix.readthedocs.io/en/latest/tutorial/install.html
https://tabula-py.readthedocs.io/en/latest/
https://pypi.org/project/pdfquery/#quick-start
https://pymupdf.readthedocs.io/en/latest/index.html
