Skip to main content
 首页 » 编程设计

python之按第一个目录级别批量拆分 PDF

2024年11月01日11zlslch

我希望从 PDF 中提取文本以执行数据挖掘任务。 我正在查看的 PDF 包含多个报告,每个报告在文档目录中都有自己的第一级条目。此外,在 PDF 的开头有一个书面目录,其中包含每个报告的页码(“从页面到页面”)。

我正在寻找一种方法:

  • 将 PDF 拆分为单独的报告,以便将每个报告转储到一个 .txt 文件中。

  • 将 PDF 的每个部分直接转储到 .txt 中。

到目前为止,我已经能够使用 PDFminer(python)将整个文件转储到 .txt 中,如下所示:

# Not all imports are needed for this task  
from pdfminer.pdfparser import PDFParser 
from pdfminer.pdfdocument import PDFDocument 
import sys 
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter 
from pdfminer.pdfpage import PDFPage 
from pdfminer.converter import XMLConverter, HTMLConverter, TextConverter 
from pdfminer.layout import LAParams 
from cStringIO import StringIO 
 
def myparse(data): 
 
    fp = file(data, 'rb') 
    rsrcmgr = PDFResourceManager() 
    retstr = StringIO() 
    codec = 'utf-8' 
    laparams = LAParams() 
    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams) 
    # Create a PDF interpreter object. 
    interpreter = PDFPageInterpreter(rsrcmgr, device) 
    # Process each page contained in the document. 
 
    for page in PDFPage.get_pages(fp): 
        interpreter.process_page(page) 
    #fp.close() 
    #device.close() 
    str = retstr.getvalue() 
    #retstr.close() 
    return str 
 
t1 = myparse("part2.pdf") 
text_file = open("part2.txt", "w") 
text_file.write(t1) 
text_file.close() 

此外,这将返回目录的整个结构:

# Open a PDF document. 
fp = open('solar.pdf', 'rb') 
parser = PDFParser(fp) 
password = "" 
document = PDFDocument(parser, password) 
 
# Get the outlines of the document. 
outlines = document.get_outlines() 
for (level,title,dest,a,se) in outlines: 
print (level, title, a) 

知道如何从这里开始吗?任何使用 python、R 或 bash 的工具对我个人来说都是最容易使用的,但只要它能够根据文档的第一个大纲级别启用批拆分,任何解决方案都会很棒。

谢谢, 马蒂亚斯

请您参考如下方法:

我使用 sejda-console 找到了一个简单的解决方案:

from subprocess import call 
import os 
 
pdfname = "example.pdf" 
 
 
outdir = "C:\\out\\%s" % pdfname 
if not os.path.exists(outdir): 
    os.makedirs(outdir) 
 
 
 
sejda = 'C:\\sejda\\bin\\sejda-console.bat' 
call = sejda 
call += ' splitbybookmarks' 
call += ' --bookmarkLevel 1' 
call += ' -f "%s"' % pdfname 
call += ' -o "%s"' % outdir 
print '\n', call 
subprocess.call(call) 
print "PDFs have been written to out-directory" 

显然这需要 sejda 程序:http://www.sejda.org/