Comment lire ligne par ligne dans un fichier pdf à l'aide de PyPdf?

J'ai un code pour lire à partir d'un fichier pdf. Est-il un moyen de lire ligne par ligne à partir du fichier pdf (pas de pages) à l'aide de Pypdf, Python 2.6, sur Windows?

Voici le code pour lire le pdf pages:

import pyPdf

def getPDFContent(path):
    content = ""
    num_pages = 10
    p = file(path, "rb")
    pdf = pyPdf.PdfFileReader(p)
    for i in range(0, num_pages):
        content += pdf.getPage(i).extractText() + "\n"
    content = " ".join(content.replace(u"\xa0", " ").strip().split())
    return content

Mise à jour:

L'appel de code est: est-ce

f= open('test.txt','w')
pdfl = getPDFContent("test.pdf").encode("ascii", "ignore")
f.write(pdfl)
f.close()
InformationsquelleAutor Rami Jarrar | 2010-03-20
  1. 10

    Ressemble à ce que vous avez est une grande partie du texte de données que vous souhaitez interpréter ligne par ligne.

    Vous pouvez utiliser le StringIO classe à encapsuler que le contenu adressable de fichier comme objet:

    >>> import StringIO
>>> content = 'big\nugly\ncontents\nof\nmultiple\npdf files'
>>> buf = StringIO.StringIO(content)
>>> buf.readline()
'big\n'
>>> buf.readline()
'ugly\n'
>>> buf.readline()
'contents\n'
>>> buf.readline()
'of\n'
>>> buf.readline()
'multiple\n'
>>> buf.readline()
'pdf files'
>>> buf.seek(0)
>>> buf.readline()
'big\n'

    Dans votre cas, ne:

    from StringIO import StringIO

# Read each line of the PDF
pdfContent = StringIO(getPDFContent("test.pdf").encode("ascii", "ignore"))
for line in pdfContent:
    doSomething(line.strip())
    • oui, mais là où je le pouvais, mais dans mon code, car je ne peux pas le faire fonctionner ???
    • même problème, ce n'est pas un travail à me donner la page entière, je veux juste ligne par ligne:)
    • ce code ne fonctionnait pas .... pdf.getPage(i).extractText() il se vider de données
    InformationsquelleAutor MikeyB
  2. 8
    import pyPdf  
def getPDFContent(path):
    content = ""
    num_pages = 10
    p = file(path, "rb")
    pdf = pyPdf.PdfFileReader(p)
    for i in range(0, num_pages):
        content += pdf.getPage(i).extractText() + "\n"
    content = " ".join(content.replace(u"\xa0", " ").strip().split())     
    return content
    InformationsquelleAutor sandeep
  3. 5

    À l'aide de yield et PdfFileReader.pages peut simplifier les choses,

    from pyPdf import PdfFileReader

def get_pdf_content_lines(pdf_file_path):
    with open(pdf_file_path) as f:
        pdf_reader = PdfFileReader(f)
        for page in pdf_reader.pages: 
            for line in page.extractText().splitlines():
                yield line

for line in get_pdf_content_lines('/path/to/file.pdf'):
    print line

    En outre, Certains peuvent google "python obtenir le contenu pdf texte" alors, voici comment faire: (c'est comment je suis arrivé ici)

    from pyPdf import PdfFileReader

def get_pdf_content(pdf_file_path):
    with open(pdf_file_path) as f:
        pdf_reader = PdfFileReader(f)
        content = "\n".join(page.extractText().strip() for page in pdf_reader.pages)
        content = ' '.join(content.split())
        return content


print get_pdf_content('/path/to/file.pdf')
    InformationsquelleAutor Jossef Harush