だから私はpdfファイルからテキストを抽出しようとしています.その位置、幅、高さ、フォントが必要です.
私は多くのことを試しましたが、最も便利で完全なソリューションはPDFMinerであり、この場合、より正確にはpdf2txt.pyです。
ドキュメントと例に従い、次のLearn Moreコマンドを使用してpdfからテキストを抽出しようとしました:
pdf2txt.py -Y normal -t xml -o buttons.xml buttons.pdf
出力buttons.xmlは次のようになります。
<?xml version="1.0" encoding="utf-8" ?>
<pages>
<page id="1" bbox="0.000,0.000,799.900,449.944" rotate="0">
<textbox id="0" bbox="164.979,213.240,247.680,235.944">
<textline bbox="164.979,213.240,247.680,235.944">
<text font="KZNUUP+HelveticaNeue-Bold" bbox="164.979,213.240,178.978,235.944" size="22.704">(cid:51)</text>
<text font="KZNUUP+HelveticaNeue-Bold" bbox="173.280,213.240,187.278,235.944" size="22.704">(cid:76)</text>
<text font="KZNUUP+HelveticaNeue-Bold" bbox="181.315,213.240,195.313,235.944" size="22.704">(cid:72)</text>
<text font="KZNUUP+HelveticaNeue-Bold" bbox="189.350,213.240,203.348,235.944" size="22.704">(cid:89)</text>
<text font="KZNUUP+HelveticaNeue-Bold" bbox="194.795,213.240,208.793,235.944" size="22.704">(cid:85)</text>
<text font="KZNUUP+HelveticaNeue-Bold" bbox="203.096,213.240,217.094,235.944" size="22.704">(cid:3)</text>
<text font="KZNUUP+HelveticaNeue-Bold" bbox="206.987,213.240,220.986,235.944" size="22.704">(cid:52)</text>
<text font="KZNUUP+HelveticaNeue-Bold" bbox="219.684,213.240,233.682,235.944" size="22.704">(cid:86)</text>
<text font="KZNUUP+HelveticaNeue-Bold" bbox="228.237,213.240,242.235,235.944" size="22.704">(cid:89)</text>
<text font="KZNUUP+HelveticaNeue-Bold" bbox="233.682,213.240,247.680,235.944" size="22.704">(cid:76)</text>
<text></text>
</textline>
</textbox>
<textgroup bbox="164.979,213.240,419.659,235.944">
<textbox id="0" bbox="164.979,213.240,247.680,235.944" />
</textgroup>
</page>
</pages>
最初の文字は L である必要があり、 ascii テーブルとutf-8 テーブルに関して、 51(cid:51)は文のどの文字にも一致しないようです
タイトルが示すように、それは何なのか、そしてこれらをどのように使用するの(cid:51)...だろうか？
編集
そのため、実際の文字を取得する代わりに、プログラムが書き込む (cid:%d) ことがわかりました。これは、それが Unicode 文字列であることを認識していないためです。
最初にこの関数を呼び出して、char を書き込みます。
def render_char(self, matrix, font, fontsize, scaling, rise, cid):
try:
text = font.to_unichr(cid)
assert isinstance(text, unicode), text
except PDFUnicodeNotDefined:
text = self.handle_undefined_char(font, cid)
しかし、assert失敗してPDFUnicodeNotDefinedキャッチされて呼び出されるイベントを発生させます：
def handle_undefined_char(self, font, cid):
if self.debug:
print >>sys.stderr, 'undefined: %r, %r' % (font, cid)
return '(cid:%d)' % cid
そして、これらすべてを含むファイル (cid:%d) で終了する方法です。
私はPythonにかなり慣れていないので、これらの文字を認識する方法を見つけようとしています.1つでなければなりませんか？誰にもアイデアはありますか？