Besoin de parser un pdf venant d'un formulaire (pas de gestion de tables)

Bonsoir

Je ne parviens pas à trouve un module python (3.7) qui permet de parser un document pdf provenant d'un formulaire.

Je ne peux pas, pour des raisons de confidentialité poster le pdf, mais il faut imaginer comme une page HTML avec des cases ayant à chaque fois un titre et des valeurs.
Exemple : une case avec une titre "Entreprise" qui contient adresse : 12 Rue Victor Hugo, Tel : xxxxxx, puis une case avec un autre titre "Facture" et plein de sous champs.
Il ne s'agit pas de tables.

J'ai testé de nombreux modules: pdfminer, PyPDF2, voir des modules exotiques... Ils ne remontent qu'une chaîne de caractères sans prendre en compte l'aspect hiérarchique. Chaîne contenant des délimiteurs qui sont des "\n". Bref, si dans une case il y a des "\n" pour un champs (exemple adresse sur plusieurs lignes), c'est le chaos.

Voici un exemple de mes recherches :
https://stackoverflow.com/questions/...to-text-python

-> Bref, PyPDF2 retourne une chaîne (par page), je recherche un module qui retourne un dictionnaire ou une liste.


Belle soirée

Salut,

Il y a longtemps j'avais utilisé pdfminer pour lire un document "structuré": des informations dans des boîtes (bbox). Les boites qui contiennent du texte sont des LTTextBox ou des LTTextLine... et ces bbox sont des rectangles qui ont position, hauteur, largeur dans la page qui permette de savoir quoi regrouper.

- W

Bonsoir !

Tu as essayé ce genre de chose :
Extraire une table : https://www.thepythoncode.com/articl...python-camelot
PyPDF2 et formulaire : https://towardsdatascience.com/how-t...n-10b5e5f26f70
Version barbare (OCR de Google) : https://codelabs.developers.google.c...er-v1-python#0

Je suppose que tu as déjà vu ces sites auparavant ce sont les premiers que me propose Google.

Citation:

---

Envoyé par wiztricks

Salut,

Il y a longtemps j'avais utilisé pdfminer pour lire un document "structuré": des informations dans des boîtes (bbox). Les boites qui contiennent du texte sont des LTTextBox ou des LTTextLine... et ces bbox sont des rectangles qui ont position, hauteur, largeur dans la page qui permette de savoir quoi regrouper.

- W

---

Oui, j'ai vu cela, cela me parait compliqué de paramétrer les hauteurs et largeurs.

Citation:

---

Envoyé par LeNarvalo

Bonsoir !

Tu as essayé ce genre de chose :
Extraire une table : https://www.thepythoncode.com/articl...python-camelot
PyPDF2 et formulaire : https://towardsdatascience.com/how-t...n-10b5e5f26f70
Version barbare (OCR de Google) : https://codelabs.developers.google.c...er-v1-python#0

Je suppose que tu as déjà vu ces sites auparavant ce sont les premiers que me propose Google.

---

Citation:

---

Extraire une table : https://www.thepythoncode.com/articl...python-camelot

---

-> J'ai testé. visiblement mon document ne contient aucune page.

Citation:

---

PyPDF2 et formulaire : https://towardsdatascience.com/how-t...n-10b5e5f26f70

---

-> Cela peut me remonter une chaîne de caractère (voir on post originel) avec le mode acroform

Citation:

---

Version barbare (OCR de Google) : https://codelabs.developers.google.c...er-v1-python#0

---

Heu, j'avoue que le terme AI me rebute.

Bonjour,

est-ce que tu ne gagnerais pas à préalablement convertir le pdf dans un format qui pourra être parcouru plus facilement ?
si j'ai bien compris il s'agit de tableaux, donc
pdf (-> txt) -> csv
?

Citation:

---

Envoyé par N_BaH

Bonjour,

est-ce que tu ne gagnerais pas à préalablement convertir le pdf dans un format qui pourra être parcouru plus facilement ?
si j'ai bien compris il s'agit de tableaux, donc
pdf (-> txt) -> csv
?

---

Citation:

---

si j'ai bien compris il s'agit de tableaux,

---

Il ne s'agit pas de tableaux mais de formulaires.

Citation:

---

une page HTML avec des cases ayant à chaque fois un titre et des valeurs

---

je voyais ça comme une <table> (un "tableau").

Citation:

---

Il ne s'agit pas de tableaux mais de formulaires.

---

je n'ai rien dit alors. :)

Citation:

---

Envoyé par Bayard

Oui, j'ai vu cela, cela me parait compliqué de paramétrer les hauteurs et largeurs.

---

Pas besoin de les paramétrer, on génère le document en mémoire et on va pouvoir récupérer des informations "physiques" dedans.
Le design de tout ça est documenté ici : https://pdfminer-docs.readthedocs.io/programming.html

- W

Hello,
en pièce jointe un exemple de formulaire PDF remplie. Est-ce que c'est sur ce type de formulaire que tu veux récupérer des informations.

Pièce jointe 632322


Ami calmant, J.P

Salut,

Citation:

---

Envoyé par jurassic pork

en pièce jointe un exemple de formulaire PDF remplie. Est-ce que c'est sur ce type de formulaire que tu veux récupérer des informations.

---

Le pauvre Jurassic Pork, il a eu un accident de travail... Mais il travaille encore alors qu'il a bientôt 120 ans ??? Trop fort...

Hello,
avec ce code en utilisant mon fichier pdf exemple :

Code:

---

1 2 3 4 5

import PyPDF2 as pypdf pdfobject=open('d:/temp/s6201_remplie.pdf','rb') pdf=pypdf.PdfReader(pdfobject) print(pdf.get_fields()) print(pdf.get_form_text_fields())

---

voici ce que j'obtiens :

Citation:

---

{'nom organisme': {'/T': 'nom organisme', '/FT': '/Tx', '/V': 'Porcinou '}, 'adresse': {'/T': 'adresse', '/FT': '/Tx', '/V': '10 rue des porcins'}, 'adresse 2': {'/T': 'adresse 2', '/FT': '/Tx', '/V': '75000 PARIS'}, 'code organisme': {'/T': 'code organisme', '/FT': '/Tx', '/Ff': 29360128, '/V': '123456789'}, 'nom': {'/T': 'nom', '/FT': '/Tx', '/Ff': 2, '/V': 'Pork'}, 'prénom': {'/T': 'prénom', '/FT': '/Tx', '/Ff': 2, '/V': 'Jurassic'}, 'date naissance': {'/T': 'date naissance', '/FT': '/Tx', '/Ff': 29360128, '/V': '01021903'}, 'adresse victime': {'/T': 'adresse victime', '/FT': '/Tx', '/V': '25 rue de la préhistoire'}, 'code postal': {'/T': 'code postal', '/FT': '/Tx', '/Ff': 29360128, '/V': '59000'}, 'num immat': {'/T': 'num immat', '/FT': '/Tx', '/Ff': 29360128, '/V': '1035959595890'}, 'clé immat': {'/T': 'clé immat', '/FT': '/Tx', '/Ff': 29360128, '/V': '29'}, 'ident employeur': {'/T': 'ident employeur', '/FT': '/Tx', '/V': 'Cochonkiri S.A'}, 'adresse employeur': {'/T': 'adresse employeur', '/FT': '/Tx', '/V': '43 rue des bêtises'}, 'code postal 2': {'/T': 'code postal 2', '/FT': '/Tx', '/Ff': 29360128, '/V': '59400'}, 'commune': {'/T': 'commune', '/FT': '/Tx', '/V': 'LILLE'}, 'commune 2': {'/T': 'commune 2', '/FT': '/Tx', '/V': 'CAMBRAI'}, 'num SIRET': {'/T': 'num SIRET', '/FT': '/Tx', '/Ff': 29360128, '/V': '23594939393939'}, 'gestion AT MP': {'/T': 'gestion AT MP', '/FT': '/Btn', '/V': '/Oui', '/Kids': [IndirectObject(62, 0, 31065760), IndirectObject(64, 0, 31065760)]}, 'date AT': {'/T': 'date AT', '/FT': '/Tx', '/Ff': 29360128, '/V': '22042022'}, 'date rechute AT': {'/T': 'date rechute AT', '/FT': '/Tx', '/Ff': 29360128}, 'date MP': {'/T': 'date MP', '/FT': '/Tx', '/Ff': 29360128}, 'date rechute MP': {'/T': 'date rechute MP', '/FT': '/Tx', '/Ff': 29360128}, 'lésion': {'/T': 'lésion', '/FT': '/Tx', '/V': 'bobo'}, 'siège lésion': {'/T': 'siège lésion', '/FT': '/Tx', '/V': "sur l'oreille"}, 'num AT MP': {'/T': 'num AT MP', '/FT': '/Tx', '/Ff': 29360128}}

{'nom organisme': 'Porcinou ', 'adresse': '10 rue des porcins', 'adresse 2': '75000 PARIS', 'code organisme': '123456789', 'nom': 'Pork', 'prénom': 'Jurassic', 'date naissance': '01021903', 'adresse victime': '25 rue de la préhistoire', 'code postal': '59000', 'num immat': '1035959595890', 'clé immat': '29', 'ident employeur': 'Cochonkiri S.A', 'adresse employeur': '43 rue des bêtises', 'code postal 2': '59400', 'commune': 'LILLE', 'commune 2': 'CAMBRAI', 'num SIRET': '23594939393939', 'date AT': '22042022', 'date rechute AT': None, 'date MP': None, 'date rechute MP': None, 'lésion': 'bobo', 'siège lésion': "sur l'oreille", 'num AT MP': None}

---

Ami calmant, J.P

Merci Monsieur Pork.

J'ai testé mes fichiers pdf avec PyPDF2 (même code) et j'ai

Code:

---

1 2

None {}

---

Je teste tabula.

Hello,

Citation:

---

Envoyé par Bayard

J'ai testé mes fichiers pdf avec PyPDF2 (même code) et j'ai

Code:

---

1 2

None {}

---

---

Si cela ne fonctionne pas c'est peut-être que ton formulaire pdf est de type xfa.
Ami calmant, J.P