Récupérer une information dans un fichier PDF

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:

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:

˘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

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:

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

bonjour,

le retour de
Code:

1 2 import sys print sys.stdout.encoding
est None

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

rien de spécial :

Code:

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

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:

1 2 xyz> chcp<return> Page de code active: nnn
Vous remplacez "ascii" par "cpnnn"
Courage
- W

voici le résultat de chcp à partir de la console (via cmd)

code de page active : 850

j'ai remplacé ascii par cp850

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
#!/usr/bin/env python
# -*- coding: iso-8859-1 -*-
 
 
import sys
print sys.stdout.encoding
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())
    return content
 
print getPDFContent("test.pdf").encode("cp850", "xmlcharrefreplace")
## end of http://code.activestate.com/recipes/511465/ }}}

mai le résultat reste illisible :

Code:

1
2
None
˘ˇˆ˙˝˛˚ ˜ˆ !!"˘˘ #$ %&

merci de votre aide

Salut,

Si H1 est "vraie", 728, 711, ... sont des code points UCS.
Ils sont >256: normal que encode("cp850",...) ne veuille pas y toucher.

Le seul "coding" qui permette de représenter n'importe quel code point Unicode est UTF-8, i.e:

Code:

print getPDFContent("test.pdf").encode("utf-8")

A partir de là, ce n'est plus un problème Python mais un problème de l'environnement "OS" : "comment afficher de l'utf-8" sur la console cmd.exe et mettre les polices de caractères qui vont bien pour que le dessin du caractère à représenter s'affiche comme attendu.

Cherchez sur Google ce qui parle de "chcp 65001".
La commande permet de faire passer la console en utf-8 mais ce n'est pas sans implications sur les autres utilisations du système.

Courage,
- W

Merci wizctriks,

je pensais que la solution serait plus simple, je vais faire des recherches sur "chcp 65001" mais n'étant pas informaticien ni programmeur ce n'est pas gagné :calim2:

Encore merci

Et pour anticiper la suite, moi je me servais tout simplement d'un RegEx (expressions régulières) pour récupérer les infos dont j'avais besoin !
Encore faut-il que ton pdf soit sous la même forme à chaque fois.

ex: si l'info que tu recherches se trouve dans ton formulaire après "adresse:",
tu "match" le pattern "adresse:" puis tu récupère les X occurences suivantes de ton tableau !