Discussion :

[jouclar]

Bonjour à tous,

Après avoir chercher sur le site et avec Google je ne trouve pas de réponse alors je me lance.

Mon problème : un client me transmet des formulaires remplis au format PDF et je souhaite extraire une information précise du formulaire : l'adresse

J'ai récupérer un bout de code utilisant pyPDF

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
19
20
#!/usr/bin/env python
# -*- coding: iso-8859-1 -*-
 
## {{{ http://code.activestate.com/recipes/511465/ (r2)
import pyPdf
 
def getPDFContent(path):
    content = ""
    # Load PDF into pyPDF
    pdf = pyPdf.PdfFileReader(file("test.pdf", "rb"))
    # Iterate pages
    for i in range(0, pdf.getNumPages()):
        # Extract text from page and add to content
        content += pdf.getPage(i).extractText() + "\n"
    # Collapse whitespace
    content = " ".join(content.replace("xa0", " ").strip().split())
##    content = " ".join(content.replace("\xa0", " ").strip().split())
    return content
 
print getPDFContent("test.pdf").encode("ascii", "xmlcharrefreplace")

mais je ne sais pas comment traité le résultat dont voici un extrait :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

˘ˇˆ˝˛˛˚˜ !!˙ˆˇˆˆ˘ˆ˝˙˛˛˚˝˘˚˚ !˛˝˛˝"##$˚%!˝˘!&'˜(˝˙˛˛˚˝)˚&*ˆ˝˘˜+"##$ (&"#˘˘˘˘ˇˆˆ˙˝ˇˆ˛ˆ˙ˇˆ˚˙ˆ˙˜ˆˆˇ˙ˆ˙ˆˇ !"#$%&!'$())(*"*+,%*-%*-%,$"./,!0!0$*0$$*%/,$"ˆ(.%,,0%1!&%,!"$-&$#)"-$2!*$-/$,(3&('!$3˜$-!&˜)(-!24˜&#%*",%&$%*--!"&#!/.&$(#5"3(#,-3!-$2(#(*6())$#0!%,1.#1("$".*-$#& $&$#)"(2& !"!0$*0$˜1#('!-$-& %&ˆ(.0#$-!&& $#!+!*%,.& (#ˇ7 $!0$*"(#78(*$(#)(#$,$+%,,4#$0(+*!"$-1$#"(*"(#$*&!&!$"(22$#!*+& $(#5.*-$#& $&$#)"%*-0(*-!&!(*"(2& !"!0$*0$9%*-7ˆ(.7%+#$$%"2(,,(3":;ˇ$2!*!&!(*"˘&&#!/.&!(*˘)$%*"%05*(3,$-+!*+%,,& $1%#&!$"3 ( %'$0(*&#!/.&$-&(%*- %'$#!+ &"!*& $(#5(#(,,$0&!'$(#5.*-$#& !"!0$*0$ˇ˘(,,$0&!'$(#5˘)$%*"& $(#5!*!&"$*&!#$&4!*.*)(-!2!$-2(#)%,(*+3!& *.)/$#(2(& $#"$1%#%&$%*-!*-$1$*-$*&3(#5"˜%""$)/,$-!*&(0(,,$0&!'$3 (,$ˇ˘$#!'%&!'$(#5˘)$%*"%*43(#50#$%&$-/4& $$-!&!*+˜)(-!2!0%&!(*˜%-%1&%&!(*(#&#%*",%&!(*(2& $(#5!*%*4)$-!% (3$'$#3(#5& %&0(*"&!&.&$"(,,$0&!'$(#53!,,*(&/$0(*"!-$#$-$#!'%&!'$(#52(#& $1.#1("$(2& !"!0$*0$ˇ(#& $%'(!-%*0$(2-(./&˜3 $#$& $(#5!")."!0%,0()1("!&!(*(#"(.*-#$0(#-!*+˜& $"4*0 #(*!<%&!(*(2& $(#5!*&!)$-6#$,%&!(*3!& )('!*+!)%+$˘"4*0 !*+˘3!,,/$0(*"!-$#$-$#!'%&!'$(#52(#& $1.#1("$(2& !"!0$*0$ˇ˘!0$*0$˘)$%*"& !"#$%&!'$())(*"*+,%*-%*-%,$"./,!0!0$*0$%+#$$)$*&ˇ˘(*6())$#0!%,˘)$%*"˘*(&1#!)%#!,4!*&$*-$-2(#(#-!#$0&$-&(3%#-"0())$#0!%,%-'%*&%+$(#1#!'%&$)(*$&%#40()1$*"%&!(*˘ˇ $$=0 %*+$(2& $(#52(#(& $#0(14#!+ &$-3(#5"/4)$%*"(2-!+!&%,2!,$6" %#!*+(#(& $#3!"$" %,,*(&/$0(*"!-$#$-&(/$!*&$*-$-2(#(#-!#$0&$-&(3%#-"0())$#0!%,%-'%*&%+$(#1#!'%&$)(*$&%#40()1$*"%&!(*˜1#('!-$-& $#$!"*(1%4)$*&(2%*4)(*$&%#40()1$*"%&!(*!*0(**$0&!(*3!& & $$=0 %*+$(20(14#!+ &$-3(#5"ˇ˘#!+!*%,& (#˘)$%*"& $!*-!'!-.%,(#$*&!&43 (0#$%&$-& $(#5ˇ˘(#5˘)$%*"& $3(#51#(&$0&$-/40(14#!+ &3 !0 !"(22$#$-.*-$#& $&$#)"(2& !"!0$*0$ˇ(#& $1.#1("$(2& !"!0$*0$˜3 $**(&!*0(*"!"&$*&3!& & $0(*&$=&˜3(#-"!*& $"!*+.,%#*.)/$#!*0,.-$& $1,.#%,*.)/$#ˇ>ˇ!0$*0$$#)">ˇ; $!0$*"(# $#$/4+#%*&"&(ˆ(.3(#,-3!-$˜#(4%,&462#$$˜*(*6$=0,."!'$˜!0$*0$2(#(*6())$#0!%,."$%*-2(#& $-.#%&!(*(20(14#!+ &!*& $(#5ˇˆ(.)%4:0(14& $(#5?!*0(#1(#%&$& $(#5!*&((*$(#)(#$(,,$0&!'$(#5"?0(14& $(#5%"!*0(#1(#%&$-!*%*4(,,$0&!'$(#5?%*-1./,!" ˜-!"&#!/.&$˜%#0 !'$˜1$#2(#)(#(& $#3!"$-!""$)!*%&$& $(#5(#& $(#5%"!*0(#1(#%&$-!*%*4(,,$0&!'$(#5˜&(& $1./,!0!*%*4)%&$#!%,2(#)!*%*4)$-!3 $& $#*(35*(3*(# $#$%2&$#0#$%&$-ˇ˜ˆ(.)."&*(&:!)1("$%*4&$#)"(*& $."$&(/$)%-$(2& $(#5˜& $(#5%"!*0(#1(#%&$-!*(,,$0&!'$(#5& %&%,&$#(##$"&#!0&& $&$#)"(2& !"!0$*0$(#%*4#!+ &"+#%*&$-.*-$#!&(# %"& $$22$0&(#!*&$*&(2#$"&#!0&!*+& $%/!,!&4&($=$#0!"$& ("$#!+ &"?!)1("$%*4-!+!&%,#!+ &")%*%+$)$*&&$0 *(,(+4(*& $(#5˜& $(#5%"!*0(#1(#%&$-!*(,,$0&!'$(#5& %&%,&$#"(##$"&#!0&"& $&$#)"(2& !"!0$*0$(#%*4#!+ &"+#%*&$-.*-$#!&(# %"& $$22$0&(#!*&$*&(2#$"&#!0&!*+& $%/!,!&4&($=$#0!"$& ("$#!+ &"?)%5$%*4$#!'%&!'$(#5"?"./,!0$*"$& $(#5?"./@$0&& $(#5&(%*4-$#(+%&(#4&#$%&)$*&%"-$2!*$-!*& $(14#!+ &˜$"!+*"%*-%&$*&"&;ABBˇˆ˜ˆ(.)."&:)%5$#$2$#$*0$&(& !"!0$*0$/4*!2(#)$"(.#0$-$*&!2!$#˜"1(5$*3(#-(#%"%11#(1#!%&$&(& $)$-!."$-(*%,,0(1!$"(2& $(#5%*-(,,$0&!'$(#5"1./,!" $-˜-!"&#!/.&$-˜1$#2(#)$-(#(& $#3!"$-!""$)!*%&$-(#)%-$%'%!,%/,$&(& $1./,!0/4ˆ(.?#$0(+*!"$& $!0$*"(#7"˝#!+!*%,.& (#7"#!+ &(2%&&#!/.&!(*!*%*4(#5%*-(,,$0&!'$(#5& %&ˆ(.1./,!" ˜-!"&#!/.&$˜1$#2(#)(#(& $#3!"$-!""$)!*%&$&(& $1./,!0%*-$*".#$& %&ˆ(.0#$-!&& $!0$*"(#˝#!+!*%,.& (#%"%11#(1#!%&$&(& $)$-!."$-?%*-&(& $$=&$*&#$%"(*%/,41#%0&!0%/,$˜5$$1!*&%0&%,,*(&!0$"& %&#$2$#&(& !"!0$*0$˜!*1%#&!0.,%#& $˜!2%*4˜& %&& $!0$*"(#"1$0!2!$"&(/$%""(0!%&$-3!& & $(#5˜.*,$""".0 -($"*(&#$2$#&(& $0(14#!+ &*(&!0$(#,!0$*"!*+!*2(#)%&!(*2(#& $(#5ˇ-!&!(*%,#('!"!(*"2(#& !#-1%#&!$")%5!*+."$(2& $(#5>ˇ>ˇ.#& $#,!0$*0$2#()& $!0$*"(#%0 &!)$ˆ(.1./,!" ˜-!"&#!/.&$˜1$#2(#)(#(& $#3!"$-!""$)!*%&$& $(#5?(#& $(#5%"!*0(#1(#%&$-!*(,,$0&!'$(#5& $!0$*"(#%+#$$"&((22$#&(& $#$,$'%*&& !#-1%#&4)%5!*+."$(2& $(#5!*%*4(2& $%,&$#*%&!'$""$&(.&%/('$,!0$*0$&(."$& $(#5(*& $"%)$&$#)"%*-0(*-!&!(*"%"+#%*&$-&(ˆ(. $#$.*-$#ˇ>ˇCˇ !"!0$*0$-($"*(&%22$0&%*4#!+ &"& %&& $"$#)%4 %'$.*-$#%*4%11,!0%/,$,%3˜!*0,.-!*+2%!#."$˜2%!#-$%,!*+(#%*4(& $#,$+%,,4#$0(+*!"$-,!)!&%&!(*(#$=0$1&!(*&(0(14#!+ &!*2#!*+$)$*&ˇ (&,>ˇDˇ,#!+ &"*(&$=1#$"",4+#%*&$-/4& $!0$*"(#%#$ $#$/4#$"$#'$-˜!*0,.-!*+/.&*(&,!)!&$-&(˜& $$=0,."!'$#!+ &&(0(,,$0&˜3 $& $#!*-!'!-.%,,4(#'!%,!0$*"!*+/(-4˜".0 %"0(,,$0&!*+"(0!$&4˜#(4%,&!$"2(#%*4."$(2& $(#52(#%*4#$%"(*3 !0 #$".,&"!*0())$#0!%,%-'%*&%+$(#1#!'%&$)(*$&%#40()1$*"%&!(*ˇCˇ%##%*&!$"%*-!"0,%!)$#=0$1&%"#$E.!#$-/4,%3˜& $(#5!",!0$*"$-/4& $!0$*"(#(*%*˘%"!"˘%*-˘%"%'%!,%/,$˘/%"!"%*-3!& (.&%*43%##%*&4(2%*45!*-˜$!& $#$=1#$""(#!)1,!$-ˇDˇ!)!&(2!%/!,!&4/@$0&&(%*4,!%/!,!&43 !0 )%4*(&/$$=0,.-$-(#,!)!&$-/4,%3& $!0$*"(#" %,,*(&/$,!%/,$%*- $#$/4$=1#$"",4$=0,.-$"%,,,!%/!,!&42(#,(""(#-%)%+$ (3"($'$#%*-3 $*$'$#0%."$-&(ˆ(.ˇFˇ$#)!*%&!(* $#!+ &"+#%*&$-&(ˆ(..*-$#& !"!0$*0$" %,,&$#)!*%&$%.&()%&!0%,,4.1(*%*4/#$%0 /4ˆ(.(2& $&$#)"(2& !"!0$*0$ˇ*-!'!-.%,"(#$*&!&!$"3 ( %'$#$0$!'$-(,,$0&!'$(#5"2#()ˆ(..*-$#& !"!0$*0$˜ (3$'$#˜3!,,*(& %'$& $!#!0$*0$"&$#)!*%&$-1#('!-$-".0 !*-!'!-.%,"(#$*&!&!$"#$)%!*!*2.,,0()1,!%*0$3!& & ("$!0$*0$"ˇGˇ˙$*$#%,Gˇ;ˇ $'%,!-!&4(#$*2(#0$%/!,!&4(2& $#$)%!*!*+&$#)"(2& !"%+#$$)$*&!"*(&%22$0&$-/4& $ (,-!*+(2%*41#('!"!(*(2!&&(/$!*'%,!-(#.*$*2(#0$%/,$ˇGˇ>ˇ !"!0$*0$0(*"&!&.&$"& $$*&!#$!0$*0$#$$)$*&/$&3$$*& $1%#&!$"3!& #$"1$0&&(& $(#5,!0$*"$- $#$ˇ $#$%#$*(.*-$#"&%*-!*+"˜%+#$$)$*&"(##$1#$"$*&%&!(*"3!& #$"1$0&&(& $(#5*(&"1$0!2!$- $#$ˇ $!0$*"(#" %,,*(&/$/(.*-/4%*4%--!&!(*%,1#('!"!(*"& %&)%4%11$%#!*%*40()).*!0%&!(*!*%*42(#)ˇGˇCˇ1$#"(*3 (!"*(&1%#&4&(& !"!0$*0$" %,, %'$*(#!+ &".*-$#& $(*&#%0&"!+ &"(2 !#-%#&!$"&;AAA&($*2(#0$%*4(2!&"&$#)"ˇGˇDˇ !"!0$*0$" %,,/$+('$#*$-/4& $,%3(2*+,%*-%*-%,$"%*-& $1%#&!$"!##$'(0%/,4"./)!&&(& $$=0,."!'$@.#!"-!0&!(*(2& $(.#&"(2*+,%*-%*-%,$"ˇHˇ*& $#(,$(2#$%&!'$())(*"Hˇ;ˇ$!& $#& $!0$*"(#*(#& $"$#)%4."$& $#$%&!'$())(*",(+($=0$1&&(!*-!0%&$& %&& $(#5!",!0$*"$-.*-$##$%&!'$())(*"!0$*0$ˇ41$#)!&&$-."$ %"&(/$!*0()1,!%*0$3!& & $#$%&!'$())(*"&#%-$)%#5."%+$+.!-$,!*$"%&& $&!)$(2."$(2& $#$%&!'$())(*"&#%-$)%#5ˇ $"$+.!-$,!*$")%4/$2(.*-(*& $#$%&!'$())(*"3$/"!&$(#/$(& $#3!"$%'%!,%/,$.1(*#$E.$"&2#()&!)$&(&!)$ˇHˇ>ˇ#$%&!'$())(*"(#1(#%&!(*-($"*(&1#(2!&2!*%*0!%,,42#()!&"#(,$!*1#('!-!*+& !"!0$*0$%*-3!,,*(&!*'$"&!+%&$& $0,%!)"(2%*4!0$*"(#(#."$#(2& $!0$*0$ˇHˇCˇ*$(2& $0(*-!&!(*"& %&#$%&!'$())(*"(#1(#%&!(*#$E.!#$"(2& $!0$*"(#%*-ˆ(.!"%*%05*(3,$-+$)$*&(2!&",!)!&$-#(,$%*-%+#$$)$*&/4%,,3 (."$& $!0$*0$& %&& $(#1(#%&!(*!"*(&#$"1(*"!/,$&(%*4(*$2(#& $"&%&$)$*&"%*-%0&!(*"(2ˆ(.(#& $!0$*"(#(#%*4(*$$,"$%&&$)1&!*+&(."$(#."!*+& !"!0$*0$ˇHˇDˇ#$%&!'$())(*"(#1(#%&!(*!"*(&1%#&4&(& !"!0$*0$˜%*-)%5$"*(3%##%*&43 %&"($'$#!*0(**$0&!(*&(& $(#5(#!*0(**$0&!(*&(& $!0$*0$˜%*-!*%,,$'$*&"!"*(&,!%/,$2(#%*4,(""(#-%)%+$#$".,&!*+2#()& $!0$*"(#7"(#ˆ(.##$,!%*0$(*& !"!0$*0$(#(*!&"$*2(#0$%/!,!&4ˇHˇFˇˆHˇ;˜Hˇ>˜HˇC˜HˇD˙7ˆˆˇ (&-$˙˘˘˘&˘˙%˝˙˛˛˝˝˝˚&˛˝˜˘&ˆ&ˆ˚˜˘˘#˚.˚/0(1 ˆˇ˙˝˙˛˛˝˘˚˚ !˛˛˜˘˛!˛˜˘˛˛˜˘˚ˆ˘˝˙˛˛˝˝˝˚&˛˝˜˘&ˇˆ&˚˜˘˘#˚.˚"ˆ˝˘0(1 ˆ ˙˝˙˛˛˝˘˚˚ !˛˛˜˘˛!˛˜˘˛˛˜˘˚ˆ˘˘ˆ˝˘ˆ˝˘˝˙˛˛˝˘˚˚ !˛˛˜˘˛!˛˜˘˛ˆ˝˘˛˙˝˙˛˛˝˝˝˚&˛˝˜˘˘˘˘˘ &˜˘˜˘˙˝&ˆ&˝&ˆ&˝˘/˚,˚# ˆ˜ˆ˝˘˙˝˙˛˛˝˘˚˚ !˛˛˜˘˘˛!˛˜˘˘˛˛˘ˆ&'˜˘3ˆ ˘&˝˘&ˆ ˘˘!&ˆˆˆ&˚˜˘ (&4$˘ˆ˘˘˘˚ˇ˘˘&ˆ˝˘ˆ ˘˚$ˆ&2+ ˜˙3!˝6˚2&7ˆ˝!˜˘)#˚.˚/˚%˙3!˝6˚$ˆ˙%$ˆ2˘˜˘)#˚.˚/˚,"˚˘˘˚˘˘˘˘(˘˘˚$ˆ˙ˆˆ)˝˘ˆˆ˘'˘˘˘˘˚9ˆˆ˝˘˙˝˙˛˛˝!˚ˆˆˆ˛˛'˘˘ (&:$ˆˆ˙ ˙%˝)˝˘ˆˆˆ&˝˝!&ˇ˝6&(˚;&˘˘˘˘˘&˙˝˙˛˛˚%˝&˛<!<˛%˚˘˛!˛˝˛˝˚˝˘˘&ˇ˘˘&˙˙˝˘9˘˘˘˘&˙˘˙˘ˆ˚ ˘˝&˘˘&˙˘˝˙˛˛˝˝˚&˛˝%˚ (&.'ˆ%(0˘˘ˆ˝˘ˇˆ˘˚"!!˘ˆ6ˆ

Pouvez vous me dire si :
- la méthode est bonne ?
- si oui comment passer à l'étape suivante : récupérer l'information que je souhaite ?

Merci

[wiztricks]

Salut,
La méthode semble correcte mais ce que çà affiche n'est pas très convainquant

En gros, content retourné par extractText devrait être Unicode: un tableau de d'entiers - short -. (H1)

Après l'opération encode ("ascii", "xmlcharrrefreplace") force la sérialisation de tout entier E >128 en une chaine de caractères de la forme:
'&#' + représentation de la valeur de E + ";".
Ce sont les "&#nnn;&#nnn;&#nnn;" qui sont probablement "justes" mais que vous n'avez pas envie de voir sous cette forme.
Note : sans "xmlcharrrefreplace" çà plante, une autre option est "ignore" qui poubelise les E.

Supposons H1.

Quel est le "charset" que supporterait "stdout" pour afficher les caractères accentués de façon satisfaisante (histoire de dire c'est OK)?

Que retourne:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
import sys
print sys.stdout.encoding

Note: faites l'opération en lancant Python en mode console!
Quid de remplacer "ascii" par le charset retourné?
- W

[jouclar]

bonjour,

le retour de

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
import sys
print sys.stdout.encoding

est None

[wiztricks]

Ben çà n'aide pas - à trouver un charset raisonnable pour remplacer "ascii".
Vous faites comment pour afficher depuis Python des caractères accentuées, style:
>>> print "àéùç"
- W

[jouclar]

rien de spécial :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
Python 2.6.5 (r265:79096, Mar 19 2010, 21:48:26) [MSC v.1500 32 bit (Intel)] on win32
Type "copyright", "credits" or "license()" for more information.
 
    ****************************************************************
    Personal firewall software may warn about the connection IDLE
    makes to its subprocess using this computer's internal loopback
    interface.  This connection is not visible on any external
    interface and no data is sent to or received from the Internet.
    ****************************************************************
 
IDLE 2.6.5      
>>> print "àéùç"
àéùç

[wiztricks]

Salut,
Lancer Python en mode console est différent de "lancer idle".
Mais vous êtes sous Windows, le code point (charset) peut être récupéré "hors Python" en lançant sous la console windows (cmd) la commande: chcp

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
xyz> chcp<return>
Page de code active: nnn

Vous remplacez "ascii" par "cpnnn"
Courage
- W