pdfminer.six

pdfminer.enam

Kami memahami PDF

Pdfminer.six adalah cabang PDFMiner asli yang dikelola komunitas. Ini adalah alat untuk mengekstrak informasi dari dokumen PDF. Ini berfokus pada mendapatkan dan menganalisis data teks. Pdfminer.six mengekstrak teks dari halaman langsung dari kode sumber PDF. Ini juga dapat digunakan untuk mendapatkan lokasi, font, atau warna teks yang tepat.

Itu dibangun secara modular sehingga setiap komponen pdfminer.six dapat diganti dengan mudah. Anda dapat mengimplementasikan perangkat penerjemah atau rendering Anda sendiri yang menggunakan kekuatan pdfminer.six untuk tujuan lain selain analisis teks.

Lihat dokumentasi selengkapnya di Baca Dokumen.

Fitur

• Ditulis seluruhnya dengan Python.
• Parsing, analisis, dan konversi dokumen PDF.
• Ekstrak konten sebagai teks, gambar, html atau hOCR.
• Dukungan spesifikasi PDF-1.7. (yah, hampir).
• Dukungan bahasa CJK dan skrip penulisan vertikal.
• Berbagai jenis font (Type1, TrueType, Type3, dan CID) mendukung.
• Dukungan untuk mengekstraksi gambar (JPG, JBIG2, Bitmap).
• Dukungan untuk berbagai kompresi (ASCIIHexDecode, ASCII85Decode, LZWDecode, FlateDecode, RunLengthDecode, CCITTFaxDecode)
• Dukungan untuk enkripsi RC4 dan AES.
• Dukungan untuk ekstraksi formulir interaktif AcroForm.
• Ekstraksi daftar isi.
• Ekstraksi konten yang diberi tag.
• Analisis tata letak otomatis.

Cara menggunakan

• Instal Python 3.8 atau lebih baru.

• Instal pdfminer.six.

  pip install pdfminer.six
  

• (Opsional) instal dependensi tambahan untuk mengekstraksi gambar.

  pip install ' pdfminer.six[image] '
  

• Gunakan antarmuka baris perintah untuk mengekstrak teks dari pdf.

  pdf2txt.py example.pdf
  

• Atau gunakan dengan Python.

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

Berkontribusi

Pastikan untuk membaca pedoman kontribusi.

Pengakuan

Repositori ini berisi kode dari pyHanko ; lisensi asli telah disertakan di sini.