পিডিএফ (PDF) থেকে টেক্সট এক্সট্রাক্ট করার পাইথন মডিউলগুলো

আপনি PDFMiner প্যাকেজ ব্যবহার করে পিডিএফ থেকে টেক্সট এক্সট্রাক্ট করতে পারেন।

উদাহরণ

আপনি নিচেরভাবে ব্যবহার করতে পারেন:

import sys
from cStringIO import StringIO
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.layout import LAParams
from pdfminer.converter import XMLConverter, HTMLConverter, TextConverter

def pdfparser(data):
    fp = file(data, 'rb')
    resource_manager = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = TextConverter(resource_manager, retstr, codec=codec, laparams=laparams)
    interpreter = PDFPageInterpreter(resource_manager, device)
    # Process each page contained in the document.
    for page in PDFPage.get_pages(fp):
        interpreter.process_page(page)
        data = retstr.getvalue()
        print data

pdfparser('filename.pdf')

এটি একটি পিডিএফ ফাইল নেয় এবং PDFPageInterpreter ক্লাসের process_page ফাংশন ব্যবহার করে পেজ বাই পেজ টেক্সট এক্সট্রাক্ট করে।

PDFMiner-এর একটি বিকল্প আছে যা টেক্সট এক্সট্রাক্ট করার জন্য আরও সহজ API দেয়। pyPDF` ভালো কাজ করে (যদি আপনি ভালো-ফর্মড পিডিএফ নিয়ে কাজ করেন)। আপনি যদি শুধু টেক্সট (স্পেসসহ) চান, তবে নিচেরভাবে করতে পারেন:

import pyPdf
pdf = pyPdf.PdfFileReader(open('filename.pdf', "rb"))
for page in pdf.pages:
    print page.extractText()