หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

PDFMiner

PDFMiner เป็นเครื่องมือแยกข้อความสำหรับเอกสาร PDF

คำเตือน : ในปี 2020 PDFMiner ไม่ได้รับการบำรุงรักษาอย่างแข็งขัน รหัสยังคงใช้งานได้ แต่โปรเจ็กต์นี้ส่วนใหญ่ไม่มีการใช้งาน สำหรับโปรเจ็กต์ที่กำลังดำเนินการอยู่ ลองดูที่ fork pdfminer.six

คุณสมบัติ:

  • Pure Python (3.6 หรือสูงกว่า)
  • รองรับ PDF-1.7 (ก็เกือบแล้ว)
  • รับตำแหน่งที่แน่นอนของข้อความตลอดจนข้อมูลเค้าโครงอื่นๆ (แบบอักษร ฯลฯ)
  • ดำเนินการวิเคราะห์เลย์เอาต์อัตโนมัติ
  • สามารถแปลง PDF เป็นรูปแบบอื่น (HTML/XML)
  • สามารถแยกโครงร่าง (TOC) ได้
  • สามารถแยกเนื้อหาที่ติดแท็กได้
  • รองรับการเข้ารหัสพื้นฐาน (RC4 และ AES)
  • รองรับแบบอักษรหลากหลายประเภท (Type1, TrueType, Type3 และ CID)
  • รองรับภาษา CJK และสคริปต์การเขียนแนวตั้ง
  • มีตัวแยกวิเคราะห์ PDF ที่ขยายได้ซึ่งสามารถใช้เพื่อวัตถุประสงค์อื่น

วิธีใช้:

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

ไวยากรณ์บรรทัดคำสั่ง:

pdf2txt.py

pdf2txt.py แยกข้อความทั้งหมดที่แสดงผลโดยทางโปรแกรม นอกจากนี้ยังแยกตำแหน่ง ชื่อแบบอักษร ขนาดแบบอักษร ทิศทางการเขียน (แนวนอนหรือแนวตั้ง) สำหรับแต่ละส่วนของข้อความที่เกี่ยวข้องอีกด้วย ไม่รู้จักข้อความในรูปภาพ จำเป็นต้องระบุรหัสผ่านสำหรับเอกสาร PDF ที่ถูกจำกัด 

 > 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 : รหัสผ่าน PDF
  • -o output : ชื่อไฟล์เอาท์พุต
  • -t text|html|xml|tag : ประเภทเอาต์พุต (ค่าเริ่มต้น: อนุมานโดยอัตโนมัติจากชื่อไฟล์เอาต์พุต)
  • -O output_dir : ไดเร็กทอรีเอาต์พุตสำหรับภาพที่แยกออกมา
  • -c encoding : การเข้ารหัสเอาต์พุต (ค่าเริ่มต้น: utf-8)
  • -s scale : ขนาดเอาต์พุต
  • -R rotation : หมุนหน้าเป็นองศา
  • -Y normal|loose|exact : ระบุโหมดเค้าโครง (สำหรับเอาต์พุต HTML เท่านั้น)
  • -p pagenos : ประมวลผลบางหน้าเท่านั้น
  • -m maxpages : จำกัดจำนวนหน้าสูงสุดในการประมวลผล
  • -S : แถบอักขระควบคุม
  • -C : ปิดใช้งานการแคชทรัพยากร
  • -n : ปิดใช้งานการวิเคราะห์โครงร่าง
  • -A : ใช้การวิเคราะห์เลย์เอาต์สำหรับข้อความทั้งหมดรวมถึงตัวเลขด้วย
  • -V : ตรวจจับการเขียนในแนวตั้งโดยอัตโนมัติ
  • -M char_margin : ระบุระยะขอบของถ่าน
  • -W word_margin : ระบุระยะขอบของคำ
  • -L line_margin : ระบุระยะขอบบรรทัด
  • -F boxes_flow : ระบุอัตราส่วนการไหลของกล่อง
  • -d : เปิดเอาต์พุต Debug

dumppdf.py

dumppdf.py ใช้สำหรับการดีบัก PDF โดยจะดัมพ์เนื้อหาภายในทั้งหมดในรูปแบบ pseudo-XML 

 > dumppdf.py [-P password] [-a] [-p pageid] [-i objid]
             [-o output] [-r|-b|-t] [-T] [-O directory] [-d]
             input.pdf ...
  • -P password : รหัสผ่าน PDF
  • -a : แยกวัตถุทั้งหมด
  • -p pageid : แยกวัตถุหน้า
  • -i objid : แยกวัตถุบางอย่าง
  • -o output : ชื่อไฟล์เอาท์พุต
  • -r : โหมดดิบ ดัมพ์สตรีมข้อมูลดิบที่ถูกบีบอัด/เข้ารหัส
  • -b : โหมดไบนารี ดัมพ์สตรีมที่ไม่มีการบีบอัด/ถอดรหัส
  • -t : โหมดข้อความ ดัมพ์สตรีมในรูปแบบข้อความ
  • -T : โหมดแท็ก ทิ้งเนื้อหาที่แท็ก
  • -O output_dir : ไดเร็กทอรีเอาต์พุตสำหรับสตรีมที่แยกออกมา

สิ่งที่ต้องทำ

  • แทนที่ตัวแปร STRICT ด้วยสิ่งที่ดีกว่า
  • ปรับปรุงฟังก์ชันการดีบัก
  • ใช้โมดูลการบันทึกแทน sys.stderr
  • กรณีทดสอบที่เหมาะสม
  • ความสอดคล้องของ PEP-8 และ PEP-257
  • เอกสารที่ดีกว่า
  • รองรับตัวกรองสตรีม Crypto

โครงการที่เกี่ยวข้อง

  • pyPdf
  • xpdf
  • กล่องpdf
  • mupdf
ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด
ความคิดเห็นจากผู้ใช้