Мониторил недавно запросы заказчиков на бирже и наткнулся на интересную задачу. Нужно было из сотни .pdf-файлов извлечь емейлы. И мне стало интересно как это сделать с python 3. Нашел для этого модуль PyPDF2. С его помощью и будем читать данные с пдф-файлов.
Как установить PyPDF2
Модуль ставится без проблем через pip. И на виндовс в том числе. Через командную строку выполните код:
pip install pypdf2
Спустя несколько секунд модуль установится.
Как открыть pdf-файл на питоне
Импортируем модуль PyPDF2, открываем файл через open в байтовом режиме.
import PyPDF2
pl = open('d:/bdseo.pdf', 'rb')
Обратите внимание – PyPDF2 нужно писать именно так: большие буквы, кроме ‘y’, иначе будет ошибка импорта библиотеки. И файл открывать в режиме ‘rb‘, не ‘r’.
Как прочитать pdf-файл на python 3
Для чтения содержимого файла pdf используется класс PdfFileReader. Код будет выглядеть вот так:
import PyPDF2
pl = open('d:/bdseo.pdf', 'rb')
plread = PyPDF2.PdfFileReader(pl)
Сначала импорт модуля, потом открываем файл. После этого читаем файл через PyPDF2.PdfFileReader.
Чтобы вывести количество страниц pdf-файла используйте такой код:
print(plread.numPages)
Как извлечь текст с pdf-файла с python 3
Сразу код, обьясню позже:
import PyPDF2
pl = open('d:/bdseo.pdf', 'rb')
plread = PyPDF2.PdfFileReader(pl)
getpage37 = plread.getPage(37)
text37 = getpage37.extractText()
Первые три строки мы уже знаем: импорт, открыть файл, прочитать его. Дальше мы берем 37 страниц (getPage(37)). И извлекаем оттуда текст – extractText().
Если нужно использовать кодировку, то при выводе (или записи в файл) используйте .encode:
print(text37.encode('utf-8'))
или
with open('c:/bdseoru_pdf.txt', 'w', encoding='utf-8') as fg:
fg.write(text37)
Этот код записывает данные в файл bdseoru_pdf.txt.
Как извлечь данные с pdf-файла (емейл, телефоны и т.п.)
Как прочитать данные с pdf я уже написал. Емейлы и телефоны можно извлекать как с обычного текста – например, с помощью стандартного модуля RE, и масок регулярных выражений. Если кому интересно – спрашивайте.
А если мне надо найти информацию по контексту в нескольких сот пдф файлов архив. И чтоб на выходе он мне выдавал что мол в таких и таких журналах есть ваша инфа. Я могу использовать ваш код в этом случае?
Часть кода. Как я вижу решение задачи:
1) в цикле for проходимся по файлам
2) открываем пдф и ищем нет ли там подходящего текста
3) если есть – выводим название файла
Пытаюсь воспроизвести ваш код указав свой путь для файла.пидиэф
pl = open(‘/home/prog/pyProject/devops.pdf’, ‘rb’)
plread = PyPDF2.PdfFileReader(pl)
Выдает ошибку:
Traceback (most recent call last):
File “search_pdf.py”, line 48, in <module>
plread = PyPDF2.PdfFileReader(pl)
File “/usr/lib/python3.7/site-packages/PyPDF2/pdf.py”, line 1084, in __init__
self.read(stream)
File “/usr/lib/python3.7/site-packages/PyPDF2/pdf.py”, line 1689, in read
stream.seek(-1, 2)
OSError: [Errno 22] Invalid argument
Не подскажете, в чем может быть причина?
Точно не подскажу, в сети пишут что есть такая проблема в некоторых пдф файлах. Попробуйте на другом, проверьте кавычки в пути, заэкранируйте слэши (r”/home/prog.pdf”).
Может почитайте о PdfFileMerger (сам не пользовался, в сети нашел).
Сделал как вы посоветовали плюс еще исправил одну ошибкую. Код работает вроде бы, колво строк в документе считает, но файл не открывается и ошибок не выдает:
Так должно быть? Логично что должен открыться редактор “пидиэф” и сам файл!?
Далее добавляю следующий кусок вашего кода:
и получаю ошибку:
Traceback (most recent call last): File "search_pdf2.py", line 5, in <module> getpage228 = plread.getPage(228) File "/usr/lib/python3.7/site-packages/PyPDF2/pdf.py", line 1177, in getPage return self.flattenedPages[pageNumber] IndexError: list index out of rangeВидимо где то что то я пропустил? Подскажите пожалуйста, где.
начну с конца. по поводу ошибки – он не видит 228 страницу, их меньше получается. Кроме того, Вы пишите getpage228, а в след.строке хотите вытянуть текст – с *365.
вначале открываться ничего не должно, т.к. Вы написали только “вывести кол-во страниц” (print). 🙂
Здравствуйте
Вот моя программа
import PyPDF2with open(‘2019_3_phys_r1.pdf’, ‘rb’) as vsesib:
vsesib_read = PyPDF2.PdfFileReader(vsesib)
print(vsesib_read.numPages)
getpage = vsesib_read.getPage(0)
text = getpage.extractText()
with open(‘vsesib.txt’, ‘w’) as fout:
fout.write(text)
в vsesib.txt выводятся только цифры без слов. Проблема с кодировкой теста в пдф файле?
Файл на каком языке?
Попробуйте указать кодировку при сохранении:
with open(‘vsesib.txt’, ‘w’, encoding='utf-8') as fout:Или какая подходит.
Здравствуйте!
Можете подсказать как вытащить из пдф только абзацы с текстом? То есть без заголовков и т.д. Есть ли какие-то маски для этого?
Здравствуйте. Нужно смотреть конкретный файл. Есть ли в этом файле “заголовок”. Как “сказать компьютеру” что это заголовок или просто текст.