minerador de pdf

PDFMiner

PDFMiner é uma ferramenta de extração de texto para documentos PDF.

Aviso : a partir de 2020, o PDFMiner não é mantido ativamente . O código ainda funciona, mas este projeto está praticamente inativo. Para o projeto ativo, confira seu fork pdfminer.six.

Características:

• Python puro (3.6 ou superior).
• Suporta PDF-1.7. (bem, quase)
• Obtém a localização exata do texto, bem como outras informações de layout (fontes, etc.).
• Executa análise automática de layout.
• Pode converter PDF em outros formatos (HTML/XML).
• Pode extrair um esboço (TOC).
• Pode extrair conteúdos marcados.
• Suporta criptografia básica (RC4 e AES).
• Suporta vários tipos de fontes (Type1, TrueType, Type3 e CID).
• Suporta linguagens CJK e scripts de escrita vertical.
• Possui um analisador de PDF extensível que pode ser usado para outros fins.

Como usar:

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

Sintaxe da linha de comando:

pdf2txt.py

pdf2txt.py extrai todos os textos renderizados programaticamente. Ele também extrai os locais correspondentes, nomes de fontes, tamanhos de fontes e direção de escrita (horizontal ou vertical) para cada segmento de texto. Não reconhece texto em imagens. Uma senha precisa ser fornecida para documentos PDF restritos.

 > 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 : senha do PDF.
• -o output : nome do arquivo de saída.
• -t text|html|xml|tag : Tipo de saída. (padrão: inferido automaticamente do nome do arquivo de saída).
• -O output_dir : diretório de saída para imagens extraídas.
• -c encoding : codificação de saída. (padrão: utf-8)
• -s scale : escala de saída.
• -R rotation : gira a página em graus.
• -Y normal|loose|exact : Especifica o modo de layout. (somente para saída HTML.)
• -p pagenos : processa apenas determinadas páginas.
• -m maxpages : Limita o número máximo de páginas a serem processadas.
• -S : Remove caracteres de controle.
• -C : Desativa o cache de recursos.
• -n : Desativa a análise de layout.
• -A : Aplica análise de layout para todos os textos, incluindo figuras.
• -V : Detecta automaticamente a escrita vertical.
• -M char_margin : especifica a margem do caractere.
• -W word_margin : especifica a margem da palavra.
• -L line_margin : especifica a margem da linha.
• -F boxes_flow : especifica a taxa de fluxo da caixa.
• -d : ativa a saída de depuração.

dumppdf.py

dumppdf.py é usado para depurar PDFs. Ele despeja todo o conteúdo interno em 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 : senha do PDF.
• -a : Extrai todos os objetos.
• -p pageid : Extrai um objeto Page.
• -i objid : Extrai um determinado objeto.
• -o output : nome do arquivo de saída.
• -r : modo bruto. Despeja os fluxos brutos compactados/codificados.
• -b : modo binário. Despeja os fluxos descompactados/decodificados.
• -t : modo de texto. Despeja os fluxos em formato de texto.
• -T : Modo marcado. Despeja o conteúdo marcado.
• -O output_dir : diretório de saída para fluxos extraídos.

PENDÊNCIA

• Substitua a variável STRICT por algo melhor.
• Melhore as funções de depuração.
• Use o módulo de registro em vez de sys.stderr.
• Casos de teste adequados.
• Conformidade com PEP-8 e PEP-257.
• Melhor documentação.
• Suporte a filtro de fluxo criptográfico.

Projetos Relacionados

• pyPdf
• xpdf
• caixa de pdf
• mupdf