私はpdfMinerを使用してグラフから値を読み取っていますが、これまでのところうまく機能しています!
ただし、正しいデータが正しく読み取られても、予測できない方法で読み取られる領域が 1 つあります。つまり、すべてのグラフの値が、表示される順序とはまったく異なる順序で正しく読み取られます。
私が知っている限り、最後のグラフが常に最初に読み込まれると言って、それを中心にプログラムを構築できるので、これは完全に問題ではありません。pdfMiner がこのデータを読み取る方法がほぼ完全に予測不可能であるように思われることを除けば、識別可能なパターンは見つかりません。
これはおそらく、私が pdfMiner に慣れていないため、どのように機能するのか完全にはわかりません。そうです、もし誰かが私を正しい方向に向けることができれば、それは本当に役に立ちます.
ここに私のデータがあります
そして、ここに私が使用している変換コードがあります:
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
global values
print "Getting readable PDF"
rsrcmgr = PDFResourceManager()
retstr = StringIO()
codec = 'utf-8'
laparams = LAParams()
device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
fp = file("graphExtraction.pdf", '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)
fp.close()
device.close()
str = retstr.getvalue()
retstr.close()
values = str