pdfminero

PDFMinero

PDFMiner es una herramienta de extracción de texto para documentos PDF.

Advertencia : a partir de 2020, PDFMiner no se mantiene activamente . El código todavía funciona, pero este proyecto está en gran medida inactivo. Para ver el proyecto activo, consulte su bifurcación pdfminer.six.

Características:

• Python puro (3.6 o superior).
• Admite PDF-1.7. (bueno, casi)
• Obtiene la ubicación exacta del texto, así como otra información de diseño (fuentes, etc.).
• Realiza análisis de diseño automático.
• Puede convertir PDF a otros formatos (HTML/XML).
• Puede extraer un esquema (TOC).
• Puede extraer contenidos etiquetados.
• Admite cifrado básico (RC4 y AES).
• Admite varios tipos de fuentes (Type1, TrueType, Type3 y CID).
• Admite lenguajes CJK y scripts de escritura vertical.
• Tiene un analizador de PDF extensible que se puede utilizar para otros fines.

Cómo utilizar:

1. > pip install pdfminer
2. > pdf2txt.py samples/simple1.pdf

Sintaxis de la línea de comando:

pdf2txt.py

pdf2txt.py extrae todos los textos que se representan mediante programación. También extrae las ubicaciones correspondientes, nombres de fuentes, tamaños de fuentes y dirección de escritura (horizontal o vertical) para cada segmento de texto. No reconoce texto en imágenes. Es necesario proporcionar una contraseña para documentos PDF restringidos.

 > pdf2txt.py [-P password] [-o output] [-t text|html|xml|tag]
             [-O output_dir] [-c encoding] [-s scale] [-R rotation]
             [-Y normal|loose|exact] [-p pagenos] [-m maxpages]
             [-S] [-C] [-n] [-A] [-V]
             [-M char_margin] [-L line_margin] [-W word_margin]
             [-F boxes_flow] [-d]
             input.pdf ...

• -P password : contraseña de PDF.
• -o output : nombre del archivo de salida.
• -t text|html|xml|tag : tipo de salida. (predeterminado: se infiere automáticamente a partir del nombre del archivo de salida).
• -O output_dir : directorio de salida para imágenes extraídas.
• -c encoding : codificación de salida. (predeterminado: utf-8)
• -s scale : escala de salida.
• -R rotation : Gira la página en grados.
• -Y normal|loose|exact : especifica el modo de diseño. (solo para salida HTML).
• -p pagenos : Procesa solo ciertas páginas.
• -m maxpages : limita el número máximo de páginas a procesar.
• -S : Tiras de control de personajes.
• -C : Desactiva el almacenamiento en caché de recursos.
• -n : deshabilita el análisis de diseño.
• -A : Aplica análisis de diseño para todos los textos, incluidas las figuras.
• -V : Detecta automáticamente la escritura vertical.
• -M char_margin : especifica el margen de caracteres.
• -W word_margin : especifica la palabra margen.
• -L line_margin : especifica el margen de la línea.
• -F boxes_flow : especifica la relación de flujo de la caja.
• -d : activa la salida de depuración.

volcadopdf.py

dumppdf.py se utiliza para depurar archivos PDF. Vuelca todo el contenido interno en formato pseudo-XML.

 > dumppdf.py [-P password] [-a] [-p pageid] [-i objid]
             [-o output] [-r|-b|-t] [-T] [-O directory] [-d]
             input.pdf ...

• -P password : contraseña de PDF.
• -a : Extrae todos los objetos.
• -p pageid : extrae un objeto de página.
• -i objid : extrae un determinado objeto.
• -o output : nombre del archivo de salida.
• -r : modo sin procesar. Vuelca los flujos sin procesar comprimidos/codificados.
• -b : modo binario. Vuelca los flujos sin comprimir/decodificar.
• -t : modo texto. Vuelca las transmisiones en formato de texto.
• -T : Modo etiquetado. Vuelca el contenido etiquetado.
• -O output_dir : directorio de salida para transmisiones extraídas.

HACER

• Reemplace la variable STRICT con algo mejor.
• Mejorar las funciones de depuración.
• Utilice el módulo de registro en lugar de sys.stderr.
• Casos de prueba adecuados.
• Conformidad con PEP-8 y PEP-257.
• Mejor documentación.
• Soporte de filtro de flujo criptográfico.

Proyectos Relacionados

• pypdf
• xpdf
• caja pdf
• mupdf