পাইথনের বিভিন্ন অপারেশন হ্যান্ডল করার জন্য বড় লাইব্রেরি সেট রয়েছে। একটি PDF থেকে ডেটা এবং মেটা-ইনফরমেশন এক্সট্র্যাক্ট করতে, আমরা PyPDF2 প্যাকেজ ব্যবহার করি। এটি ব্যবহার করা সহজ এবং অনেক farklı অপারেশন বা টুলকিট রয়েছে যেমন PDF থেকে ডেটা এক্সট্র্যাক্ট করা, ডকুমেন্টে কীওয়ার্ড সার্চ করা, মেটা ইনফরমেশন এক্সট্র্যাক্ট করা যেমন হাইপারলিংক, URL এবং অন্যান্য ইনফরমেশন। PyPDF2 প্যাকেজ ব্যবহার করে, আমরা একটি PDF ডকুমেন্ট থেকে হাইপারলিংক এক্সট্র্যাক্ট করব।
PDF থেকে হাইপারলিংক এক্সট্র্যাক্ট করতে আমরা এই ধাপগুলো অনুসরণ করব:
কমান্ড শেলে pip install PyPDF2 টাইপ করে PyPDF2 লোকাল মেশিনে ইনস্টল করুন।
PyPDF2 ইম্পোর্ট করুন।
ফাইল বাইনারি মোড-এ ওপেন করুন এবং ফাইলে URL প্যাটার্ন রিকগনাইজ করুন।
একটি নির্দিষ্ট পেজের link এক্সট্র্যাক্ট করার ফাংশন ডিফাইন করুন।
সকল পেজের ওপর ইটারেট করুন এবং extractText() ফাংশন ব্যবহার করে টেক্সট এক্সট্র্যাক্ট করুন।
PDF থেকে হাইপারলিংক এক্সট্র্যাক্ট করতে আমরা সাধারণত পাইথনে প্যাটার্ন ম্যাচিং কনসেপ্ট ব্যবহার করি। এখন import re করুন রেগুলার এক্সপ্রেশন ব্যবহার করে প্যাটার্ন খুঁজে বের করতে।
findall(regex, string) ব্যবহার করে https:// বা https://-এর সাথে ম্যাচ করার প্যাটার্ন খুঁজে বের করুন।
যদি কোনো URL পাওয়া যায়, URL রিটার্ন করুন এবং স্ক্রিনে প্রিন্ট করুন।
উদাহরণ
# প্রয়োজনীয় প্যাকেজ ইম্পোর্ট
import PyPDF2
import re
# কমান্ডে ফাইল ওপেন
file = open("newfile.pdf", 'rb')
readPDF = PyPDF2.PdfFileReader(file)
def find_url(string):
# প্যাটার্নের সাথে ম্যাচ করা সকল স্ট্রিং খুঁজে বের
regex = r"(https?://\S+)"
url = re.findall(regex, string)
for url in url:
return url
# ফাইলের সকল পেজের ওপর ইটারেট
for page_no in range(readPDF.numPages):
page = readPDF.getPage(page_no)
# পেজ থেকে টেক্সট এক্সট্র্যাক্ট
text = page.extractText()
# সকল URL প্রিন্ট
print(find_url(text))
# ফাইল ক্লোজ
file.close()
আউটপুট
উপরোক্ত কোড রান করলে দেওয়া PDF ডকুমেন্ট ফাইলে উপলব্ধ সকল হাইপারলিংক প্রিন্ট হবে।
