1

各ページがフォームの情報の 3x3 ブロックに分割されている pdf ファイルを読み込もうとしています

A | B | C
D | E | F
G | H | I

各エントリは複数の行に分かれています。1 つのエントリの単純化された例は、このカードです。しかし、他の 8 つのスロットにも同様のエントリがあります。

私はpdfminerとpypdf2を見てきました。私は pdfminer があまり便利だとは思いませんでしたが、pypdf2 はそれに近いものを与えてくれました。

import PyPDF2
from StringIO import StringIO
def getPDFContent(path):
    content = ""
    p = file(path, "rb")
    pdf = PyPDF2.PdfFileReader(p)
    numPages = pdf.getNumPages()
    for i in range(numPages):
        content += pdf.getPage(i).extractText() + "\n"
    content = " ".join(content.replace(u"\xa0", " ").strip().split())
    return content

ただし、これはファイルを 1 行ずつ読み取るだけです。A、B、C の順に読めるように、ページの一部だけを読み取れるソリューションが必要です。また、ここでの答えはかなりうまく機能しますが、
列の順序は日常的に歪んでおり、行ごとに読むことしかできませんでした。

4

1 に答える 1

1

pdfminerおよびpypdf2. _ 列と行のサイズがインチでわかっている場合は、使用できますminecart(完全な開示: 私が書いたminecart)。コード例:

import minecart

# minecart units are 1/72 inch, measured from bottom-left of the page
ROW_BORDERS = (
    72 * 1,  # Bottom row starts 1 inch from the bottom of the page
    72 * 3,  # Second row starts 3 inches from the bottom of the page
    72 * 5,  # Third row starts 5 inches from the bottom of the page
    72 * 7,  # Third row ends 7 inches from the bottom of the page
)
COLUMN_BORDERS = (
    72 * 8,  # Third col ends 8 inches from the left of the page
    72 * 6,  # Third col starts 6 inches from the left of the page
    72 * 4,  # Second col starts 4 inches from the left of the page   
    72 * 2,  # First col starts 2 inches from the left of the page
)  # reversed so that BOXES is ordered properly
BOXES = [
    (left, bot, right, top)
    for top, bot in zip(ROW_BORDERS, ROW_BORDERS[1:])
    for left, right in zip(COLUMN_BORDERS, COLUMN_BORDERS[1:])
]

def extract_output(page):
    """
    Reads the text from page and splits it into the 9 cells.

    Returns a list with 9 entries: 

        [A, B, C, D, E, F, G, H, I]

    Each item in the tuple contains a string with all of the
    text found in the cell.

    """
    res = []
    for box in BOXES:
        strings = list(page.letterings.iter_in_bbox(box))
        # We sort from top-to-bottom and then from left-to-right, based
        # on the strings' top left corner
        strings.sort(key=lambda x: (-x.bbox[3], x.bbox[0]))
        res.append(" ".join(strings).replace(u"\xa0", " ").strip())
    return res

content = []
doc = minecart.Document(open("path/to/pdf-doc.pdf", 'rb'))
for page in doc.iter_pages():
    content.append(extract_output(page))
于 2015-06-05T22:03:44.040 に答える