Lire un pdf et extraire le texte

Version imprimable

21/02/2007, 16h30
Terminator

Lire un pdf et extraire le texte

Bonjour à tous,

Je débute à l'instant sur python. J'ai deja une question: peut-on lire et extraire le texte (et que le texte) d'un pdf? Si oui comment?
J'ai lu sur un topic qu'il y a vait 2 alternative, une qui apparement personne n'ait arrivé à installer et une qui a l'air en beta et qu'ils n'ont pas reussi a faire fct non plus.

Donc je lance un sos à vous tous amis du python.

MERCI
21/02/2007, 16h58
pacificator

salut,

j'ai trouvé ce lien. http://www.boddie.org.uk/david/Proje...thon/pdftools/

tu as essayé?
21/02/2007, 17h29
Terminator

Merci,

mais celui-ci fait parti des 2 dont j'ai parlé au dessus.

Voici le lien de la discussion:

http://www.developpez.net/forums/sho...&highlight=pdf

Donc je cherche quelqu'un qui a deja utilisé l'un des deux (et qui a reussi) ou autre chose.

D'avance merci
21/02/2007, 18h55
pacificator

salut,
je l'ai installé et testé rapidement et ça ma l'air tout bon...
21/02/2007, 19h03
Terminator

Et comment faire pour l'installer?

Je suis sous windows et j'utilise Eclipse

MERCI
21/02/2007, 19h25
pacificator

1. telecharge et installe EasyInstall
2. en invite de commande: easy_install http://www.boddie.org.uk/david/Proje...ls-0.33.tar.gz
et voila ... 8-)
21/02/2007, 19h43
Terminator

je pige rien (désolé)

je ne comprends meme pas la premiere etape!!!
Apparement il l'a installé dans python/script car je vois easy-install
Mais lorsque apres je mets la ligne que tu me donne, rien ne se passe, j'ai un erreu comme quoi la commande easy_Install n'existe pas

Merci de ton aide
21/02/2007, 19h49
pacificator

http://peak.telecommunity.com/DevCen...#windows-notes
il faut que tu rajoutes le path vers easy_install dans ton path windows
21/02/2007, 21h18
Terminator

Merci, j'ai fait tout ceci, mais je reçois le msg suivant: cannot find the python excecutable c:Application\python

Apparement il y a un probleme car moi j'ai installé python dans:
c:\application\python 25
Et j'ai l'impression que l'espace est pas pris, comment faire?

MERCI
21/02/2007, 21h49
pacificator

reinstaller... :arf:
21/02/2007, 23h08
Terminator

Réinstaller ca va etre dur dur car j'ai deja configuré eclipse pour qu'il prenne en compte python
pas 'aures solution?
21/02/2007, 23h12
LeXo

je sais que sur
http://www.softinterface.com/

ya des appli pour ouvrir les pdf et les transformer en txt ou en doc

voila si ça peut t'aider

Bon courage
22/02/2007, 00h34
Terminator

Mais je navigue sur la tendance "gratuit"...donc si c'est payant, c moins agérable
Merci qd meme, j'attends d'autres avis

Voila,
j'ai pris mon courage à deux main et tout réinstallé (ce fut long qd meme)

Apprement ca été installé d'pres tes 3 étapes (je t'en remercie)

Mais je sais pas comment on l'utilise!!!
J'ai vue que dans le pdffile.py y avait un exemple (tout en haut), mais je sais pas qi il faut l'utiliser tel quel?
Code:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 from pdftools.pdffile import PDFDocument file = "MyFile.pdf" doc = PDFDocument(file) print "Document uses PDF format version", doc.document_version() pages = doc.count_pages() print "Document contains %i pages." % pages if pages > 123: page123 = doc.read_page(123) contents123 = page123.read_contents() print "The objects found in this page:" print print contents123.contents
Apprement j'ai deja un erreur dans le from
Code:

1 2 3 from pdftools.pdffile import PDFDocument ^ IndentationError: unexpected indent
Ca doit etre un truc débile, mais comme je debute, j'ai vraiment du mal (je viens du monde Java)

MERCI DE TON AIDE.

PS: ce que je souhaite faire: lire par exmple une ligne dans un pdf et la mettre ds un string.

MERCI

22/02/2007, 09h27
LeXo

sur mon lien c gratuit

sinon je te l'aurais dit ;)

J'ai utilisé dernièrement http://cheeseshop.python.org/pypi/pyPdf/1.9

Je n'ai eu aucun problème avec la méthode .extractText()
Code:

1 2 3 4 5 6 7 from pyPdf import PdfFileReader input1 = PdfFileReader(file("c:/1500motsGlobish.pdf", "rb")) page1 = input1.getPage(0) txt=page1.extractText() print txt

ton code est mal indenté à partir de la seconde ligne.

J'ai essayé ça:
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 from pdftools.pdffile import PDFDocument import pdftools file = "diveintopython.pdf" doc = PDFDocument(file) print "Document uses PDF format version", doc.document_version() pages = doc.count_pages() print "Document contains %i pages." % pages page123 = doc.read_page(123) contents123 = page123.read_contents() def iterer(sequence, fonction): try: for item in sequence: iterer(item, fonction) except: fonction(sequence) def afficher(texte): if isinstance(texte, pdftools.pdftext.Text): print texte.text for items in contents123.contents: iterer(items, afficher)
Cela a fonctionné (pdf version: 1.2)
J'ai essayé avec python_notes (pdf version 1.4) et j'ai eu une erreur....
J'ai essayé avec un pdf generé par OOo (pdf version 1.4) et pareil, erreur..

ça m'a l'air d'être une belle galère les pdf!!:koi:

22/02/2007, 11h28
Terminator

Lexo, merci pour ton lie, mais qd j'avais été voir hier, j'ai vu "download for free" et "buy" alors j'ai pensé que c'était payant avec une version d'évaluation.

J'ai pris aujourd'hui "PDFconvertX" qui me permet de converit des prf en txt ou Html (ce qui encore mieux).

Mais voila, ils parlent beaucoup de VB ou C/C++ (donc du developpement via des outils Microsoft). JE voudrais savoir (si tu le connais un peu plus) si il est possible de l'intégrer en Python?
Autre question, ils parlent (ds la doc) d'avoir Word ou Excell sur la machine (est-ce réellement necessaire? car les utilisateurs finaux ne l'auront p-e pas tous)

MERCI ENCORE
22/02/2007, 11h42
Terminator

J'ai aussi essayé le PyPDF qui me parait parfait car il fonctionne parfaitement.

Mais voila, on sait extraire un page à la fois (j'ai pas trouvé comment exrtaire par exemple 5 pages ou la totale.
Je vais p-e porsuivre sur cette voie

MERCI A TOUS

PS: je laisse cependant ce topic ouvert en cas de probleme ou si quelqu'un a une autre méthode
12/09/2010, 10h48
Philooo

Je déterre ce topic (qui est le premier résultat à "python lire pdf" sous google).

Cette liste de packages rassemble un paquet d'outils pour manipuler les PDFs. Après en avoir essayé 2 ou 3 j'ai choisi pdfminer car il rend correctement les PDFs qui m'intéressent.
24/02/2011, 14h45
kali38

Extraire une info d'un fichier pdf

Bonjour à tous,

J'utilise l'outil pyPdf de python pour extraire des informations dans le fichier pdf. Cependant je n'arrive pas a savoir comment récupérer celles qui sont en haut de page( à droite).

j'ai déja essayé ce programme pour relever des infos:

input1 = PdfFileReader(file("fichier.pdf", "rb"))
param = input1.getDestination()
print param

MERCI