pdfminer.six

pdfminer.six

Wir ergründen PDF

Pdfminer.six ist ein von der Community gepflegter Zweig des ursprünglichen PDFMiner. Es handelt sich um ein Tool zum Extrahieren von Informationen aus PDF-Dokumenten. Der Schwerpunkt liegt auf der Erfassung und Analyse von Textdaten. Pdfminer.six extrahiert den Text einer Seite direkt aus dem Quellcode des PDF. Es kann auch verwendet werden, um die genaue Position, Schriftart oder Farbe des Textes zu ermitteln.

Es ist modular aufgebaut, sodass jede Komponente von pdfminer.six einfach ausgetauscht werden kann. Sie können Ihren eigenen Interpreter oder Ihr eigenes Rendering-Gerät implementieren, das die Leistungsfähigkeit von pdfminer.six für andere Zwecke als die Textanalyse nutzt.

Sehen Sie sich die vollständige Dokumentation unter „Read the Docs“ an.

Merkmale

• Komplett in Python geschrieben.
• Analysieren, analysieren und konvertieren Sie PDF-Dokumente.
• Extrahieren Sie Inhalte als Text, Bilder, HTML oder hOCR.
• Unterstützung der PDF-1.7-Spezifikation. (naja, fast).
• Unterstützung für CJK-Sprachen und vertikale Schreibskripte.
• Unterstützung verschiedener Schriftarten (Type1, TrueType, Type3 und CID).
• Unterstützung für das Extrahieren von Bildern (JPG, JBIG2, Bitmaps).
• Unterstützung für verschiedene Komprimierungen (ASCIIHexDecode, ASCII85Decode, LZWDecode, FlateDecode, RunLengthDecode, CCITTFaxDecode)
• Unterstützung für RC4- und AES-Verschlüsselung.
• Unterstützung für die interaktive Formularextraktion von AcroForm.
• Extraktion des Inhaltsverzeichnisses.
• Extraktion getaggter Inhalte.
• Automatische Layoutanalyse.

Wie zu verwenden

• Installieren Sie Python 3.8 oder neuer.

• Installieren Sie pdfminer.six.

  pip install pdfminer.six
  

• (Optional) Installieren Sie zusätzliche Abhängigkeiten zum Extrahieren von Bildern.

  pip install ' pdfminer.six[image] '
  

• Verwenden Sie die Befehlszeilenschnittstelle, um Text aus PDF zu extrahieren.

  pdf2txt.py example.pdf
  

• Oder verwenden Sie es mit Python.

   from pdfminer . high_level import extract_text
  
  text = extract_text ( "example.pdf" )
  print ( text )

Mitwirken

Lesen Sie unbedingt die Beitragsrichtlinien.

Anerkennung

Dieses Repository enthält Code von pyHanko ; Die Originallizenz wurde hier eingefügt.