pdfminer.six

pdfminer.six

Nous comprenons le PDF

Pdfminer.six est un fork géré par la communauté du PDFMiner original. Il s'agit d'un outil permettant d'extraire des informations à partir de documents PDF. Il se concentre sur l’obtention et l’analyse de données textuelles. Pdfminer.six extrait le texte d'une page directement à partir du code source du PDF. Il peut également être utilisé pour obtenir l’emplacement exact, la police ou la couleur du texte.

Il est construit de manière modulaire de telle sorte que chaque composant de pdfminer.six puisse être remplacé facilement. Vous pouvez implémenter votre propre interpréteur ou dispositif de rendu qui utilise la puissance de pdfminer.six à d'autres fins que l'analyse de texte.

Consultez la documentation complète sur Read the Docs.

Caractéristiques

• Écrit entièrement en Python.
• Analysez, analysez et convertissez des documents PDF.
• Extrayez le contenu sous forme de texte, d'images, de HTML ou de hOCR.
• Prise en charge des spécifications PDF-1.7. (enfin presque).
• Prise en charge des langages CJK et des scripts d'écriture verticale.
• Prise en charge de divers types de polices (Type1, TrueType, Type3 et CID).
• Prise en charge de l'extraction d'images (JPG, JBIG2, Bitmaps).
• Prise en charge de diverses compressions (ASCIIHexDecode, ASCII85Decode, LZWDecode, FlateDecode, RunLengthDecode, CCITTFaxDecode)
• Prise en charge du cryptage RC4 et AES.
• Prise en charge de l'extraction de formulaires interactifs AcroForm.
• Extraction de la table des matières.
• Extraction de contenus balisés.
• Analyse automatique de la mise en page.

Comment utiliser

• Installez Python 3.8 ou version ultérieure.

• Installez pdfminer.six.

  pip install pdfminer.six
  

• (Facultatif) installez des dépendances supplémentaires pour extraire des images.

  pip install ' pdfminer.six[image] '
  

• Utilisez l'interface de ligne de commande pour extraire le texte du PDF.

  pdf2txt.py example.pdf
  

• Ou utilisez-le avec Python.

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

Contribuer

Assurez-vous de lire les directives de contribution.

Reconnaissance

Ce référentiel inclut le code de pyHanko ; la licence originale a été incluse ici.