Discussion :

[progfou]

Bonjour tout le monde !

Je suis en train d'essayer de faire un truc assez simple... Extraire un tableau d'un fichier PDF.
Je suis sous Linux, et donc j'ai des outils comme pdftotext pour m'aider.
Et ça fonctionne... presque .

Je mets en PJ une image impression écran d'un extrait du pdf, et voici ce que je peux générer :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
 Foliotation   Numéros et dates retenues dans               Dates retenues par                   Dates retenues par                   Dates proposées par
                         l'éd. A de Courson                           A. de La Borderie                    W. Davies                            H. Guillotel
 
           1             n° I                832                      832, juin                            un jeudi avant juin 832              832, 5 juin. - Redon.
                                                                                                           puis un mercredi de juin 832
           1r-v          n° II               832, 18 juin             =                                    = (jeudi)                            = - Redon.
           1 v 2.        n° III              834, 20 juin             =                                    = (samedi)                           =
           2-3           n° IV               834, 17 juin             =                                    = (mercredi)                         = - Le Faux en Six-sur-Aff.
           3r-v          n° V                833, 15 mai              =                                    = (jeudi)                            = - Augan.
           3v-4          n° VI               833, 10 décembre         =                                    = (mercredi)                         =
           4r-v          n° VII              833, 9 février           =                                    = (dimanche)                         = - Redon.
           4v-5          n° VIII             833, 26 octobre          =                                    = (dimanche)                         = - Carentoir.
           5r-v          n° IX               833 - 834                833, 29 janvier à 834, 28 janvier    =                                    833, après le 28 janvier
                                                                                                                                                834, avant le 27 janvier. - Ruffiac.
           5v-6          n° X                833, 28 décembre         =                                    = (dimanche)                         =
           6r-v          n° XI               834, 27 janvier          =                                    = (mardi)                            835, 27 janvier ?
           6v-7          n° XII              834, 18 janvier          =                                    = (dimanche)                         = - Ruffiac.
           7v-v          n° XIII             837, 1er décembre        834, 28 novembre                     = (samedi)                           =

Problème : j'ai des espaces pour délimiter mes colonnes, visuellement ça fonctionne, mais ce n'est pas facile à intégrer ensuite dans un tableau type openoffice.
Donc, plusieurs questions : sur l'image on voit des traits qui délimitent les colonnes, est-ce qu'il est envisageable de les retrouver ?
Sinon, peut-on (avec python bien sûr) lire et extraire un pdf comme pdftotext mais en ayant la maîtrise complète des caractères lus ?
Dans l'idéal, j'aurais voulu un csv, ou un délimiteur pour les colonnes, mais je n'y arrive pas...

Merci d'avance pour votre aide !

[rambc]

Bonjour,
voici une 1ère piste où pdfTable.txt est le fichier contenant le texte du tableau.

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
 
# -*- coding: utf-8 -*-
 
pdfTableTextFile = open('pdfTable.txt', 'r')
infos = []
 
for oneLine in pdfTableTextFile.readlines():
    while '   ' in oneLine:
        oneLine = oneLine.replace('   ', '  ')
 
    infos.append(oneLine.split('  '))
 
print(infos)

L'utilisation de regex pourrait rendre les choses plus propres.

[wiztricks]

Salut,

Pourquoi ne pas construire un fichier .CSV à partir du .PDF?
Les colonnes seraient délimitées par "," ou autre et afficher ou récupérer le contenu dans une autre application serait "simplifié".
Plus "riche" serait de produire un fichier .XML avec des champs typés.
Cordialement,
- W

[progfou]

Je veux bien faire un CSV. Comment ?

[rambc]

Bonjour wiztricks.

Pourquoi ne pas construire un fichier .CSV à partir du .PDF?

Est-ce que pdftotext permet cela ?

[wiztricks]

Salut rambc,

Le pdf2txt de pdfminer permet ce genre de chose "sur le papier", mais je n'ai jamais eu le temps d'insister assez pour arriver à le faire marcher.
- W

[Migouste]

Bonjour,

Je vais me faire taper sur les doigts car je m'écarte de python, mais la demande initiale de progfou concernant linux, on peut remplacer le script de rambc par ce petit bout de code bash.

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

sed 's/    */;/g'

Cela donne un convertisseur pdf2csv qui tient en une ligne de commande :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

pdftotext  -layout  fichier.pdf - | sed 's/    */;/g'