pdfminer.six

pdfminer.6

PDF を理解する

Pdfminer.six は、コミュニティで管理されているオリジナルの PDFMiner のフォークです。 PDF文書から情報を抽出するツールです。テキスト データの取得と分析に重点を置いています。 Pdfminer.six は、PDF のソースコードからページのテキストを直接抽出します。テキストの正確な位置、フォント、色を取得するためにも使用できます。

pdfminer.six の各コンポーネントを簡単に置き換えることができるように、モジュール方式で構築されています。テキスト分析以外の目的で pdfminer.six の機能を使用する独自のインタープリターまたはレンダリング デバイスを実装できます。

Read the Docs で完全なドキュメントを確認してください。

特徴

• すべて Python で書かれています。
• PDF ドキュメントを解析、分析、変換します。
• コンテンツをテキスト、画像、HTML、または hOCR として抽出します。
• PDF-1.7仕様のサポート。 （まあ、ほぼ）。
• CJK 言語と縦書きスクリプトをサポートします。
• さまざまなフォント タイプ (Type1、TrueType、Type3、および CID) がサポートされています。
• 画像の抽出のサポート (JPG、JBIG2、ビットマップ)。
• さまざまな圧縮のサポート (ASCIIHexDecode、ASCII85Decode、LZWDecode、FlateDecode、RunLengthDecode、CCITTFaxDecode)
• RC4 および AES 暗号化のサポート。
• AcroForm インタラクティブ フォーム抽出のサポート。
• 目次の抽出。
• タグ付きコンテンツの抽出。
• 自動レイアウト解析。

使用方法

• Python 3.8 以降をインストールします。

• pdfminer.6 をインストールします。

  pip install pdfminer.six
  

• (オプション) イメージを抽出するための追加の依存関係をインストールします。

  pip install ' pdfminer.six[image] '
  

• コマンドライン インターフェイスを使用して PDF からテキストを抽出します。

  pdf2txt.py example.pdf
  

• または Python で使用します。

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

貢献する

投稿ガイドラインを必ずお読みください。

了承

このリポジトリにはpyHankoのコードが含まれています。オリジナルのライセンスはここに含まれています。