Discussion :

[frutz]

Bonjour à tous,

Je suis débutant en programmation Python et je souhaiterai pouvoir convertir des fichiers PDF en fichier HTML automatiquement.

En faisant une recherche sur Google, je retrouve beaucoup de site qui propose la possibilité de convertir des fichiers.
Mais lorsque j'essaye un code qu'il propose pour le faire avec une API, je n'arrive pas à le faire.

Dans un premier temps, est-ce que vous connaîtriez un site qui fonctionne (sans forcément faire de la pub) et si vous pouvez m'aider dans l'utilisation du code ?

Je vous remercie pour l'aide que vous pourriez m'apportez.

[tyrtamos]

Bonjour,

Il y a un module externe proposé par pypi qui a l'air de faire ça, mais je ne l'ai jamais utilisé (seulement Python 3):

https://pypi.org/project/pdf-tools/

Voir en particulier son "pdf2html".

Il y en a peut-être d'autres dans pypi: à voir.

[frutz]

Merci beaucoup pour ta réponse.

J'ai essayé de voir ce module mais étant un très grand débutant sur Python je ne suis pas parvenu à reproduire l'example.
Je ne pensais pas que c'était aussi compliqué, j'avais réussi à convertir des fichiers PDF en TXT mais pour du HTML ça semble complexe.

Si quelqu'un aurait la patience de m'expliquer comment reproduire l'exemple ça serait vraiment cool de votre part., ne serait-ce que comment installer les commandes et faire appel à une procédure.

[wiztricks]

Si quelqu'un aurait la patience de m'expliquer comment reproduire l'exemple ça serait vraiment cool de votre part., ne serait-ce que comment installer les commandes et faire appel à une procédure.

Si vous voulez programmer avec Python, il faudrait peut être avoir la patience d'apprendre les bases...

- W

[tyrtamos]

On installe pdf-tools avec pip dans une console (cmd.exe avec Windows):

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

pip install pdf-tools

Lors de cette installation, il se crée plusieurs fichiers exécutables comme "pdf2html.exe" dans le répertoire de Python et son sous-répertoire Scripts.

La documentation de pdf-tools est nulle, mais son utilisation est tout de même super-simple. Par exemple, toujours dans une console:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

répertoiredepython\Scripts\pdf2html.exe  cheminvers\monfichierpdf  >  cheminvers\monfichierhtml

L'exécution crée le fichier html demandé. Attention: si le chemin contient des espaces, il faut entourer l'adresse avec des guillemets (mais ça, c'est du Windows et pas du Python).

Maintenant, si on veut lancer l'opération à partir d'un programme Python, voilà un petit code de principe:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
# -*- coding: utf-8 -*-
 
import os
from subprocess import call
 
prog = r"E:\Programmes\Python37\Scripts\pdf2html.exe" # <= remplacer par le bon chemin
fichierpdf = r"cheminvers\lefichier.pdf"
fichierhtml = r"cheminvers\lefichier.html"
 
# appel de pdf2html.exe
call(prog + " " + fichierpdf + " > " + fichierhtml, shell=True)
 
# affichage du fichier html dans le navigateur internet par défaut de l'OS
os.startfile(fichierhtml)

[frutz]

Merci beaucoup @tyrtamos pour ces explications très claires.

J'ai essayé de suivre les instructions à la lettre mais j'ai une erreur d'exécution.

Voici l'erreur que j'obtiens

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
Acc�s refus�.
Traceback (most recent call last):
  File "C:/Users/frutz/PycharmProjects/Loop _files/main.py", line 36, in <module>
    os.startfile(fichierhtml)
FileNotFoundError: [WinError 2] Le fichier spécifié est introuvable: 'C:\\Users\\frutz\\Documents\\HTML Files\monfichier.html'

Le code que j'ai utilisé :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
import os
from subprocess import call
 
prog = r"C:\Users\frutz\AppData\Local\Programs\Python\Python38\Scripts\pdf2html.exe"  # <= remplacer par le bon chemin
fichierpdf =r"C:\Users\frutz\Documents\monfichier.pdf"
fichierhtml = r"C:\Users\frutz\Documents\HTML Files\monfichier.html"
 
# appel de pdf2html.exe
call(prog + " " + fichierpdf + " > " + fichierhtml, shell=True)
 
# affichage du fichier html dans le navigateur internet par défaut de l'OS
os.startfile(fichierhtml)

Peut-être que j'ai mal compris la procédure, mais je dois au préalable créer un fichier html ?

J'ai essayé différentes possibilités en mettant \\, avec simple quote, avec guillemet, en enlevant le r.

[tyrtamos]

Comme je l'ai dit, puisque le chemin du fichier html possède un espace, il faut qu'il soit entouré par des guillemets dans la ligne de commande de la console.

Pour ça, on met des quotes (=apostrophes) avant et après les guillemets:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

fichierhtml = r'"C:\Users\frutz\Documents\HTML Files\monfichier.html"'

Mais au lieu de corriger le chemin, on aurait pu corriger la ligne de commande pour ajouter les guillemets dans les 3 chemins "au cas où":

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

call('"'+prog+'"' + " " + '"'+fichierpdf+'"' + " > " + '"'+fichierhtml'"', shell=True)

[frutz]

Un grand merci tyrtamos ça fonctionne, les fichiers se convertissent bien en html.

Par contre, il y a certains fichiers qui donnent un résultat pas satisfaisant avec des images de fond, des caractères non reconnus, du texte sans couleur de police (c'est à dire en blanc)...

Je pensais que le fait de convertir en HTML cela permettait de régler ce genre de problème.
Au début j'avais fait la conversion au format txt et j'avais aussi ce genre de résultat.

Au final, je ne sais pas quelle est la meilleure méthode pour extraire du contenu depuis un fichier PDF.

[tyrtamos]

Bonjour,

Au final, je ne sais pas quelle est la meilleure méthode pour extraire du contenu depuis un fichier PDF.

J'ai répondu à la question telle qu'elle était posée: "conversion pdf => html". Mais s'il s'agit d'extraire des données d'un pdf, il y a d'autres solutions, par exemple:

- pdf-tools dispose aussi d'une fonction "pdf2text". A essayer.

- le module python "beautifulsoup" (https://pypi.org/project/beautifulsoup4/) permet des extractions de pages html. Peut-être peut-on l'utiliser sur le résultat de "pdf2html"?

- Il y a aussi des modules pour extraire directement des infos des pdf. Chercher avec "python pdf extract data".

- il y a aussi d'autres solutions hors Python. En ce qui me concerne, j'utilise pour éditer mes pdf d'un programme payant "PDFElement" de Wondershare, qui a une fonction de conversion dans d'autres formats (html, text, etc...).