Extraire le contenu d'un .pdf en Python

Version imprimable

19/08/2016, 16h03
Termirtau

Extraire le contenu d'un .pdf en Python

Bonjour,

je sais que ce sujet a déjà été abordé dans le forum, mais pas dans des sujets postérieurs à 2010, d'après mes recherches...

Donc mon problème est simple : prendre un fichier .pdf, et en extraire le contenu, comme s'il s'agissait d'un texte, avec open() et readlines(), pour retenir le contenu sous forme de chaines de caractères.

J'ai essayé plusieurs modules (PDFMiner, pyPdf, etc...), mais je galère pour seulement les installer.

Connaissez-vous un module récent, simple d'installation, et qui permet cette fonctionnalité ?

Je vous remercie d'avance.
20/08/2016, 10h40
fred1599

pdfrw semble sympa, mais l'installation des modules est un autre problème que celui posé en titre, ton problème serait plutôt "Difficulté à installer un module python".

Dans ce cas, par exemple, tu peux utiliser PIP permettant d'installer des modules facilement... sous quelle version python es-tu ? Il me semble que dans les versions 3.4 et plus, pip est déjà pré-installé lors de l'installation python. C'est compatible sur toutes les plateformes.
20/08/2016, 11h17
killian68

Citation:

Envoyé par fred1599

... sous quelle version python es-tu ? Il me semble que dans les versions 3.4 et plus, pip est déjà pré-installé lors de l'installation python. C'est compatible sur toutes les plateformes.

En effet, il me semble bien qu'à partir des versions 2.7 et 3.4, il est normalement intégré. Du coup, en ligne de commande, il faut lancer

Code:

pip3 install <nom_module>

si c'est pour du python 2.7+ alors

Code:

pip install <nom_module>

si pip n'est pas installé, alors la commande

Code:

sudo apt-get install python3-pip

permettra de le faire (pour python3, pour python 2 c'est python-pip)
20/08/2016, 11h26
fred1599

Citation:

En effet, il me semble bien qu'à partir des versions 2.7 et 3.4, il est normalement intégré

Je pensais à l'OS Windows, car je ne l'ai pas... Utilisant Linux, j'attendais une confirmation d'un utilisateur Windows concernant PIP, car je pense que le PO est sous cet OS. C'est de ma faute, j'aurai dû le spécifier dans ma réponse précédente.

Bonjour Messieurs,

merci de vos réponses, en effet pdfrw s'installe bien avec PIP. Pour la version de Python 3.4.1 que j'utilise, sous Windows 10, il faut mettre à jour PIP tout de même (https://pip.pypa.io/en/stable/installing/#upgrading-pip).

Par contre pour pdfrw, je ne suis pas sûr que l'on se soit bien entendus : mon but est de récupérer, autant que faire se peut, le contenu textuel d'un pdf. A moins que je ne me trompe, pdfrw ne me renvoie qu'une liste de balises illisibles.

J'ai vu d'autres modules comme pdfminer3k que j'ai pu importer via PIP. J'ai également importé le module io, en fait déjà présent sous Python 3, qui permet d'avoir le module StringIO, qui sert normalement à lire des chaines de caractères (https://docs.python.org/2/library/stringio.html).

Du coup, j'ai trouvé sur StackOverFlow une requête qui correspond assez à ce que je veux faire : http://stackoverflow.com/questions/2...iner-in-python

Précisément cette requête :
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 def convert_pdf_to_txt(path): rsrcmgr = PDFResourceManager() retstr = StringIO() Codec = 'utf-8' laparams = LAParams() device = TextConverter(rsrcmgr, retstr, codec=Codec, laparams=laparams) fp = file(path, 'rb') interpreter = PDFPageInterpreter(rsrcmgr, device) password = "" maxpages = 0 caching = True pagenos=set() for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True): interpreter.process_page(page) text = retstr.getvalue() fp.close() device.close() retstr.close() return text
Seulement, souci : après avoir installé PDFMiner et io.StringIO, la requête échoue avec ce message d'erreur :
Code:

1 2 3 4 5 >>>convert_pdf_to_txt(path) Traceback (most recent call last): File "<stdin>", line 1, in <module> File "<stdin>", line 6, in convert_pdf_to_txt TypeError : __init__ got an unexpected keyword argument "codec"
J'ai ensuite essayé plusieurs manipulations sur la requête, mais rien n'y fit.

Connaissez-vous PDFMiner ? Et une requête qui fonctionne pour obtenir le contenu textuel d'un PDF?

21/08/2016, 17h44
wiztricks

Salut,

Citation:

Envoyé par Termirtau

Connaissez-vous PDFMiner ? Et une requête qui fonctionne pour obtenir le contenu textuel d'un PDF?

L'exemple que vous avez récupéré est pour Python2.7 qui fonctionne avec PDFMiner. Cette bibliothèque n'est pas supportée en Python3, vous avez certainement installé PDFMiner3k dont les interfaces prennent en compte les changements de Python3.

Ligne 6, virez codec:

Code:

device = TextConverter(rsrcmgr, retstr, laparams=laparams)

Python sera "content" mais pas sûr que le résultat vous plaise car çà va dépendre du contenu de vos PDF.
lire la documentation de PDFMiner:

Citation:

PDF is evil. Although it is called a PDF "document", it's nothing like Word or HTML document. PDF is more like a graphic representation. PDF contents are just a bunch of instructions that tell how to place the stuff at each exact position on a display or paper. In most cases, it has no logical structure such as sentences or paragraphs and it cannot adapt itself when the paper size changes. PDFMiner attempts to reconstruct some of those structures by guessing from its positioning, but there's nothing guaranteed to work. Ugly, I know. Again, PDF is evil.

mais vous aurez peut être de la chance...

- W

Citation:

Envoyé par fred1599

pdfrw semble sympa, mais l'installation des modules est un autre problème que celui posé en titre, ton problème serait plutôt "Difficulté à installer un module python".

Dans ce cas, par exemple, tu peux utiliser PIP permettant d'installer des modules facilement... sous quelle version python es-tu ? Il me semble que dans les versions 3.4 et plus, pip est déjà pré-installé lors de l'installation python. C'est compatible sur toutes les plateformes.

Pour ma part je créé un raccourci du setup.py et je rajoute install à la fin de la cible.
Cible : C:\Users\*****\Downloads\pdfrw-0.2\setup.py install

J'ai installé PyPDF2, ReportLab, slate, PDFMiner... et je n'ai pas réussi à en exploiter un seul correctement :calim2:. J'ai python 3.5.2 et j'ai l'impression que pdfrw est juste conçu pour réécrire des fichiers en PDF ou à la rigueur obtenir les infos du documents mais pas vraiment le contenu texte, est ce que je me trompe? Je trouve les modules compliqués à utiliser pour un débutant pour moi, le pire c'est PDFMiner pour extraire le texte du fichier PDF il faut un pavé et installer cStringIO si je comprends bien, bref c'est un peu compliqué et pas compatible avec les versions 3. de python...
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter from pdfminer.converter import TextConverter from pdfminer.layout import LAParams from pdfminer.pdfpage import PDFPage from cStringIO import StringIO def convert_pdf_to_txt(path): rsrcmgr = PDFResourceManager() retstr = StringIO() codec = 'utf-8' laparams = LAParams() device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams) fp = file(path, 'rb') interpreter = PDFPageInterpreter(rsrcmgr, device) password = "" maxpages = 0 caching = True pagenos=set() for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True): interpreter.process_page(page) text = retstr.getvalue() fp.close() device.close() retstr.close() return text
J'ai le sentiment que je vais devoir revenir à python 2.4...

14/09/2016, 17h40
tyrtamos

Bonjour,

Citation:

Envoyé par LeNarvalo

J'ai installé PyPDF2, ReportLab, slate, PDFMiner... et je n'ai pas réussi à en exploiter un seul correctement :calim2:.

En ce qui me concerne, j'utilise PyPDF2 sur Python 3.4.3, et ça marche très bien! Je l'installe avec pip, et je ne l'utilise que pour faire du "split & merge".

Citation:

Envoyé par LeNarvalo

J'ai le sentiment que je vais devoir revenir à python 2.4...

Ce serait vraiment dommage, mais revenir à Python 3.4 serait plus judicieux: j'ai aussi essayé Python 3.5 et je suis revenu en arrière à cause de PyQt5.7 ... (http://www.developpez.net/forums/d16...5/#post8738200)
17/04/2017, 22h00
Termirtau
Bonjour,

je relance la conversation, car j'ai installé PyPDF2 (je suis toujours sur Python 3.4.1).

Je ne sais pas quel problème LeNarvalo a eu, ni comment tyrtamos utilise ce module, mais quand j'entre ce code :
Code:

1 2 3 import PyPDF2 pdf_file=open("F:\IALeCun.pdf") read_pdf=PyPDF2.PdfFileReader(pdf_file)
...alors j'obtiens l'erreur suivante :

Code:

io.UnsupportedOperation: can't do nonzero end-relative seeks

Savez-vous d'où viens cette erreur ? Puis-je la modifier avec quelques corrections sur pdf.py (dans la librairie PyPDF2) ?

Pour information, le texte "IALeCun.pdf" que j'importe est celui-là, si vous voulez faire le même essai :
https://www.college-de-france.fr/med...__Y._LeCun.pdf
17/04/2017, 22h40
fred1599

L'ouverture de ton pdf n'est sans doute pas fait en mode binaire, il faut le faire...
18/04/2017, 00h23
Termirtau
Bonjour fred1599,

merci de votre réponse. En effet, en écrivant :
Code:

1 2 pdf_file=open("F:\IALeCun.pdf","rb") read_pdf=PyPDF2.PdfFileReader(pdf_file)
...il semble y avoir un résultat (au sens ou read_pdf est créé).

Mais pour lire ce résultat sous forme de chaine de caractères, comment faire ?

En utilisant la fonction read(), sous cette forme :

Code:

t=read_pdf.read()

...j'obtiens le message d'erreur suivant :

Code:

TypeError: read() missing 1 required positional argument: 'stream'

Comment cet argument s'insère-t-il dans read()?
18/04/2017, 00h44
fred1599
Humm, je ne connais pas ce module, je ne peux pas tester, par contre il ne me semble pas en lisant la documentation de PdfFileReader, qu'il y est une méthode read. Apparemment, ça serait getPage(Number) avec Number le numéro de page qui enverrait vers un objet PageObject, qui renverra sur une méthode getContents pour lire la page.
Code:

1 2 3 4 5 pdf_file=open("F:\IALeCun.pdf","rb") read_pdf=PyPDF2.PdfFileReader(pdf_file) page_1 = getPage(1) print(page_1.getContents())
À tester, mais je verrais ça comme cela sur le principe... Voir doc

Par exemple, comme ceci :

Code:

1
2
3
4
5
6
7
8
9
10
11
12
fichier = "cv.pdf"
import PyPDF2
 
def get_pdf_content_lines(fich):
    with open(fich, "rb") as f:
        pdf_reader = PyPDF2.PdfFileReader(f)
        for page in pdf_reader.pages: 
            for line in page.extractText().splitlines():
                yield line
 
for ligne in get_pdf_content_lines(fichier):
    print(ligne)

Changer le nom du fichier évidemment...

18/04/2017, 23h26
Termirtau

Bonsoir,

merci marco056, cela marche vraiment bien ! Je vais pouvoir avancer considérablement grâce à vous tous.

Bonne soirée.
02/03/2022, 19h23
mobbebede

Bonjour ,

Je sais que le sujet date mais j'ai une problématique similaire.
J'ai plusieurs fichiers PDF dans un repertoire et je dois faire une boucle qui va lire ses differents PDF, mais ne lire que les 3 premières pages de mon PDF, ensuite controler la presence d'une phrase dans le texte qu'on aura recuperer (par exemple : BULLETIN DE SOUSCRIPTION) et a la fin renseigner dans un fichier excel dans un tableau dans une colonne d'une part la liste des fichiers, puis dans une autre colonne des OK ou KO en fonction de si on a trouvé l'expression demandée dans les diffirents fichiers parcourus.

Je sais désolé d'etre long mais j'essaye de faire court

Merci d'avance
02/03/2022, 19h32
marco056

Et qu'as-tu fait pour l'instant ? Qu'est-ce qui ne fonctionne pas dans ton programme ?

Citation:

Envoyé par marco056

Et qu'as-tu fait pour l'instant ? Qu'est-ce qui ne fonctionne pas dans ton programme ?

Pas que ça ne fonctionne pas mais j'ai envie d'améliorer le code suivant pour que la lecture s'arrête (ne lise que les 3 premières pages) à la 3e page de mes fichiers pdf :
Code:

1 2 3 4 5 6 7 8 #Sauvegarder les pages en JPEG %%time for i in zip(listPath,listFilename): print(i) pages = convert_from_path(i[0], dpi=250, poppler_path=popPath) page = pages[0] tmp = './images/' + i[1] + '.jpg' page.save(tmp, 'JPEG')

02/03/2022, 20h51
marco056

Tout d'abord, c'est mieux de poster le code entre balises de code.
Ensuite, n'est-il pas envisageable de mettre en place un compteur au niveau des pages et de boucler dessus par exemple ?
03/03/2022, 10h34
Arioch

Citation:

Envoyé par mobbebede

Bonjour ,

Je sais que le sujet date mais j'ai une problématique similaire.
J'ai plusieurs fichiers PDF dans un repertoire et je dois faire une boucle qui va lire ses differents PDF, mais ne lire que les 3 premières pages de mon PDF, ensuite controler la presence d'une phrase dans le texte qu'on aura recuperer (par exemple : BULLETIN DE SOUSCRIPTION) et a la fin renseigner dans un fichier excel dans un tableau dans une colonne d'une part la liste des fichiers, puis dans une autre colonne des OK ou KO en fonction de si on a trouvé l'expression demandée dans les diffirents fichiers parcourus.

Je sais désolé d'etre long mais j'essaye de faire court

Merci d'avance

Avec pyPDF4, vous pourriez extraire les 3 premières pages de chaque fichier, employer un utilitaire comme PDFtools pour convertir le contenu au format texte et enfin parser le contenu du texte pour y trouver ce que vous cherchez.
03/03/2022, 13h27
marco056

Il suffit juste de reprendre le code que j'ai mis plus haut et de remplacer la ligne qui faut par :

Code:

for page in pdf_reader.pages:[3]

puis de boucler sur les différents fichiers.

Bonjour ,
ci dessous mon code, j'ai du mal a faire une boucle sur les fichiers et lire juste les premieres pages de mes fichiers pdf. Si le mot que je recherche se trouve dans la premiere page du pdf, la valeur 'partenaire' est renseigné dans le fichier excel avec un 'OK' à coté et je passe au pdf suivant. Je suis débutant donc je bloque un peuu:

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
 
 
    path_extraction_folder = "C:/Users/xxxxx/yyyyyy/pdf"
    list_path = glob.glob(path_extraction_folder+"/**/*.pdf",recursive=True)
 
    cpt = 0
    for path in list_path:
        path_base = "/".join(str(path).replace("\\","/").split("/")[:-1])
        new_path = os.path.join(path_base, str(cpt)+".pdf")
        os.rename(path, new_path)
        cpt +=1
 
    partenaires = [x.split("\\")[1] for x in list_path]
    type_doc = [x.split("\\")[2] for x in list_path]
    nom_fichier = [x.split("\\")[-1] for x in list_path]
 
    df_files = pd.DataFrame()
    df_files["partenaire"] = partenaires
    df_files["nom dossier"] = type_doc
    df_files["nom fichier"] = nom_fichier
    df_files.to_excel("./files-tree_.xlsx",index=False)
 
    df_files = pd.read_excel("./files-tree_.xlsx")
    df_files["partenaire"] = df_files["partenaire"].apply(lambda x : 
    str(x).rjust(14,'0'))
 
    #Here is my issue, I want to do a loop on the 'partenaire' of my df_file but idk 
    #how
 
    path = file_path
    pdf = pyPdf.PdfFileReader(open(path, "rb"))
    fp = file(path, 'rb')
    num_of_pages = pdf.getNumPages()
    extract = ""
    for i in range(num_of_pages):
      inside = [i]
      pagenos=set(inside)
      rsrcmgr = PDFResourceManager()
      retstr = StringIO()
      codec = 'utf-8'
      laparams = LAParams()
      device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
      interpreter = PDFPageInterpreter(rsrcmgr, device)
      password = ""
      maxpages = 0
      caching = True
      text = ""
      for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, 
    password=password,caching=caching, check_extractable=True):
        interpreter.process_page(page)
        text = retstr.getvalue()
        text = text.decode("ascii","replace")
        if re.search(r"PLAN D'EPARGNE EN ACTIONS|PLAN D'EPARGNE EN 
    ACTIONS)",text.lower()):
            print text
            extract = extract + text + "\n" 
            continue

Merci d'avance

Citation:

Envoyé par marco056

Il suffit juste de reprendre le code que j'ai mis plus haut et de remplacer la ligne qui faut par :

Code:

for page in pdf_reader.pages:[3]

puis de boucler sur les différents fichiers.

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
 
    path_extraction_folder = "C:/Users/xxxxx/yyyyyy/pdf"
    list_path = glob.glob(path_extraction_folder+"/**/*.pdf",recursive=True)
 
    cpt = 0
    for path in list_path:
        path_base = "/".join(str(path).replace("\\","/").split("/")[:-1])
        new_path = os.path.join(path_base, str(cpt)+".pdf")
        os.rename(path, new_path)
        cpt +=1
 
    partenaires = [x.split("\\")[1] for x in list_path]
    type_doc = [x.split("\\")[2] for x in list_path]
    nom_fichier = [x.split("\\")[-1] for x in list_path]
 
    df_files = pd.DataFrame()
    df_files["partenaire"] = partenaires
    df_files["nom dossier"] = type_doc
    df_files["nom fichier"] = nom_fichier
    df_files.to_excel("./files-tree_.xlsx",index=False)
 
    df_files = pd.read_excel("./files-tree_.xlsx")
    df_files["partenaire"] = df_files["partenaire"].apply(lambda x : 
    str(x).rjust(14,'0'))
 
    #Here is my issue, I want to do a loop on the 'partenaire' of my df_file but idk 
    #how
 
    path = file_path
    pdf = pyPdf.PdfFileReader(open(path, "rb"))
    fp = file(path, 'rb')
    num_of_pages = pdf.getNumPages()
    extract = ""
    for i in range(num_of_pages):
      inside = [i]
      pagenos=set(inside)
      rsrcmgr = PDFResourceManager()
      retstr = StringIO()
      codec = 'utf-8'
      laparams = LAParams()
      device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
      interpreter = PDFPageInterpreter(rsrcmgr, device)
      password = ""
      maxpages = 0
      caching = True
      text = ""
      for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, 
    password=password,caching=caching, check_extractable=True):
        interpreter.process_page(page)
        text = retstr.getvalue()
        text = text.decode("ascii","replace")
        if re.search(r"PLAN D'EPARGNE EN ACTIONS|PLAN D'EPARGNE EN 
    ACTIONS)",text.lower()):
            print text
            extract = extract + text + "\n" 
            continue

07/03/2022, 10h59
marco056

Je ne comprends rien au code ci-dessus et à aucun endroit je vois les conseils que j'ai donnés.
Bonne semaine.

Citation:

Envoyé par marco056

Je ne comprends rien au code ci-dessus et à aucun endroit je vois les conseils que j'ai donnés.
Bonne semaine.

J'ai apporté quelques commentaires a mon code. Pour avoir une vue globale voila l'arborescence de mon repertoire:
pdf/folder(id_partenaire)/folder_type de fichier(CTO ou PEA)/fichier_pdf (docstream.pdf)
Exp: Pdf/0012455420/CTO/juniore.pdf

Je sais pas si c'est plus explicite comme ca

Merci d'avance

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
 
    #Chemin ou sont stockés mes fichiers. Dans le repertoire pdf j'ai plusieurs dossiers avec des id_partenaire qui contienne chacun un pdf
    path_extraction_folder = "C:/Users/xxxxx/yyyyyy/pdf"
    list_path = glob.glob(path_extraction_folder+"/**/*.pdf",recursive=True)
 
    #je met en place un compteur qui va compter le nombre des fichiers pdf contu dans mon dossier pdf
    cpt = 0
    for path in list_path:
        path_base = "/".join(str(path).replace("\\","/").split("/")[:-1])
        new_path = os.path.join(path_base, str(cpt)+".pdf")
        os.rename(path, new_path)
        cpt +=1
 
    #Les dossiers contenus dans le dossier pdf est renonommé avec les id_partenaire, ensuite ces dossiers contiennent des fichiers (CTO ou PEA) qui eux contiennent les fichiers pdf à analyser
    partenaires = [x.split("\\")[1] for x in list_path]
    type_doc = [x.split("\\")[2] for x in list_path]
    nom_fichier = [x.split("\\")[-1] for x in list_path]
 
    df_files = pd.DataFrame()
    df_files["partenaire"] = partenaires
    df_files["nom dossier"] = type_doc
    df_files["nom fichier"] = nom_fichier
    df_files.to_excel("./files-tree_.xlsx",index=False)
 
    #Ici j'ai cree mon fichier Excel qui contient le id_partenaire, le type de dossier (PEA,CTO) et le nom du pdf en lui meme   
    df_files = pd.read_excel("./files-tree_.xlsx")
    df_files["partenaire"] = df_files["partenaire"].apply(lambda x : 
    str(x).rjust(14,'0'))
 
    #Mon probleme ici c'est de faire une boucle sur les fichiers pdf en ne lisant que la premiere page,
    #en recherchant 2 mots ("PLAN D'EPARGNE EN ACTIONS" ou "COMPTE TITRES ORDINAIRE")
    #Puis aller mettre un KO ou un OK dans mon fichier excel si les fichiers pdf contiennent ces mots 
 
    path = file_path
    pdf = pyPdf.PdfFileReader(open(path, "rb"))
    fp = file(path, 'rb')
    num_of_pages = pdf.getNumPages()
    extract = ""
    for i in range(num_of_pages):
      inside = [i]
      pagenos=set(inside)
      rsrcmgr = PDFResourceManager()
      retstr = StringIO()
      codec = 'utf-8'
      laparams = LAParams()
      device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
      interpreter = PDFPageInterpreter(rsrcmgr, device)
      password = ""
      maxpages = 0
      caching = True
      text = ""
      for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, 
    password=password,caching=caching, check_extractable=True):
        interpreter.process_page(page)
        text = retstr.getvalue()
        text = text.decode("ascii","replace")
        if re.search(r"PLAN D'EPARGNE EN ACTIONS|COMPTE TITRES ORDINAIRE"),text.lower()):
            print text
            extract = extract + text + "\n" 
            continue
}

07/03/2022, 11h45
marco056

Non désolé, j'étais sur une question simple et pas tout un lot qui va avec.
Plusieurs remarques :
- la question portait sur de l'extraction de contenu pdf : j'ai répondu à la question avec [:3]. Apparemment, tu n'utilises pas ce que j'ai mis
- je vois dans le programme de la gestion de fichiers excel et je n'ai pas envi de m'y pencher
- pour ce qui est de lister les fichiers, c'est assez simple, il suffit de regarder les fils voisins par exemple
- je vois un print tout seul qui porte à croire que tu travailles en python2, ce n'est pas mon cas.

Citation:

Envoyé par marco056

Non désolé, j'étais sur une question simple et pas tout un lot qui va avec.
Plusieurs remarques :
- la question portait sur de l'extraction de contenu pdf : j'ai répondu à la question avec [:3]. Apparemment, tu n'utilises pas ce que j'ai mis
- je vois dans le programme de la gestion de fichiers excel et je n'ai pas envi de m'y pencher
- pour ce qui est de lister les fichiers, c'est assez simple, il suffit de regarder les fils voisins par exemple
- je vois un print tout seul qui porte à croire que tu travailles en python2, ce n'est pas mon cas.

J'ai pu modifier ma fonction de lecture pour boucler sur les 3 pages. Par contre au niveau de l'extraction ca ne me renvoi rien dans mon fichier excel.
Je sais pas si vous pouvez m'orienter sur ce qui cloche svp . Voila le code pour l'extraction dans un Excel:
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 treated_dir = [] treatment = [] problems = [] cpt = 0 for [parten, dir_, file] in df_doc_interest.values[cpt:]: try: print("Treating CPT = ", cpt) file_path = os.path.join(path_extraction_folder,parten,dir_, file) treat_path_dir = os.path.join("EAI-imgs 2", parten, dir_) if(treat_path_dir not in treated_dir): treated_dir.append(treat_path_dir) os.makedirs( treat_path_dir, 777 ) print(file_path) treatment.append(read_pdf_file(file_path, treat_path_dir, cpt)) except: print("problem ",cpt) problems.append(file) pass; cpt+=1 #C'est a partir d'ici qu'il ya un pb. Mon DataFrame est vide quand je le print je sais pas pourquoi ? if(cpt % 10 == 0): text_list = [] digital_list = [] file_id_list = [] for x in treatment: for xx in x[0]: text_list.append(xx) digital_list.append(x[1]) file_id_list.append(x[2]) save_file = pd.DataFrame() save_file["text"] = text_list save_file["is_digital"] = digital_list save_file["file_id"] = file_id_list save_file.to_excel("./backup/save_backup_"+str(cpt)+".xlsx",index=False)

08/03/2022, 19h06
marco056

Avant de l'envoyer dans un fichier excel, il faudrait peut-être voir s'il y a qqchose qui sort de la lecture, non ?