PDFファイル操作

PDFの文字列をテキストに

from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.converter import TextConverter
from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.pdfpage import PDFPage
from pdfminer.layout import LAParams
from io import StringIO

# 標準組込み関数open()でモード指定をbinaryでFileオブジェクトを取得
fp = open("files/Training-Manual-for-Harmonized-Tariff-Schedule-Hts-Classification.pdf", 'rb')

# 出力先をPythonコンソールするためにIOストリームを取得
outfp = StringIO()


# 各種テキスト抽出に必要なPdfminer.sixのオブジェクトを取得する処理

rmgr = PDFResourceManager() # PDFResourceManagerオブジェクトの取得
lprms = LAParams()          # LAParamsオブジェクトの取得
device = TextConverter(rmgr, outfp, laparams=lprms)    # TextConverterオブジェクトの取得
iprtr = PDFPageInterpreter(rmgr, device) # PDFPageInterpreterオブジェクトの取得

# PDFファイルから1ページずつ解析(テキスト抽出)処理する
for page in PDFPage.get_pages(fp):
    iprtr.process_page(page)

text = outfp.getvalue()  # Pythonコンソールへの出力内容を取得

outfp.close()  # I/Oストリームを閉じる
device.close() # TextConverterオブジェクトの解放
fp.close()     #  Fileストリームを閉じる

print(text)  # Jupyterの出力ボックスに表示する

from pdfminer.pdfinterp import PDFResourceManager

from pdfminer.converter import TextConverter

from pdfminer.pdfinterp import PDFPageInterpreter

from pdfminer.pdfpage import PDFPage

from pdfminer.layout import LAParams

from io import StringIO

# 標準組込み関数open()でモード指定をbinaryでFileオブジェクトを取得

fp = open("files/Training-Manual-for-Harmonized-Tariff-Schedule-Hts-Classification.pdf", 'rb')

# 出力先をPythonコンソールするためにIOストリームを取得

outfp = StringIO()

# 各種テキスト抽出に必要なPdfminer.sixのオブジェクトを取得する処理

rmgr = PDFResourceManager() # PDFResourceManagerオブジェクトの取得

lprms = LAParams() # LAParamsオブジェクトの取得

device = TextConverter(rmgr, outfp, laparams=lprms) # TextConverterオブジェクトの取得

iprtr = PDFPageInterpreter(rmgr, device) # PDFPageInterpreterオブジェクトの取得

# PDFファイルから1ページずつ解析(テキスト抽出)処理する

for page in PDFPage.get_pages(fp):

iprtr.process_page(page)

text = outfp.getvalue() # Pythonコンソールへの出力内容を取得

outfp.close() # I/Oストリームを閉じる

device.close() # TextConverterオブジェクトの解放

fp.close() # Fileストリームを閉じる

print(text) # Jupyterの出力ボックスに表示する

PDFの表をエクセルに変換

# Import Module 
import os
import tabula
import pandas as pd

filename= "files/Seniority List 2018 19.pdf"
  
#pdfのページ数を取得
amount = (len(tabula.read_pdf(filename, pages = 'all')))

#pdfのページ数だけまわす
for i in range(amount):
    df = tabula.read_pdf(filename, pages = 'all')[i]
    ### Convert into Excel File
    df.to_excel('files/excel' + str(i) + '.xlsx')
    
#アウトプットされたファイルの名前をリストに入れる    
filename= "excel"
filelist = os.listdir("files")
filelist = [f for f in filelist if filename in f]



# エクセルを一つずつpandasデータとして取得
each_file = []
for file in range(len(filelist)):
    #エクセルファイルの数だけforを回し、それぞれをリスト変数に入れていく
    each_file.append(pd.read_excel('files/excel' + str(file) + '.xlsx', header=None))

#リストを結合
df = pd.concat(each_file)
df.to_excel('files/total.xlsx', index=False)

# Import Module

import os

import tabula

import pandas as pd

filename= "files/Seniority List 2018 19.pdf"

#pdfのページ数を取得

amount = (len(tabula.read_pdf(filename, pages = 'all')))

#pdfのページ数だけまわす

for i in range(amount):

df = tabula.read_pdf(filename, pages = 'all')[i]

### Convert into Excel File

df.to_excel('files/excel' + str(i) + '.xlsx')

#アウトプットされたファイルの名前をリストに入れる

filename= "excel"

filelist = os.listdir("files")

filelist = [f for f in filelist if filename in f]

# エクセルを一つずつpandasデータとして取得

each_file = []

for file in range(len(filelist)):

#エクセルファイルの数だけforを回し、それぞれをリスト変数に入れていく

each_file.append(pd.read_excel('files/excel' + str(file) + '.xlsx', header=None))

#リストを結合

df = pd.concat(each_file)

df.to_excel('files/total.xlsx', index=False)

PDFの画像を抽出

# PRG1：ライブラリ設定
import fitz
import os
 
# PRG2：画像の保存先フォルダを設定
filename = 'files/dai1.pdf'
dir_name = filename.split('.')[0]
img_dir = os.path.join(os.getcwd(),dir_name) 
if os.path.isdir(img_dir) == False:
    os.mkdir(img_dir)
 
# PRG3：PDFファイルを読み込む
doc = fitz.open(filename)
 
# PRG4：画像情報を格納するリストを作成
images = []
 
# PRG5：１ページずつ画像データを取得
for page in range(len(doc)):
    images.append(doc[page].get_images())
 
# PRG6：ページ内の画像情報を順番に処理
for pageNo, image in enumerate(images):
    # PRG7：ページ内の画像情報を処理する
    if image != []:
        for i in range(len(image)):
            # PRG8：画像情報の取得
            xref = image[i][0]
            smask = image[i][1]
            if image[i][8] == 'FlateDecode':
                ext = 'png'
            elif image[i][8] == 'DCTDecode':
                ext = 'jpeg'
 
            # PRG9：マスク情報の取得と画像の再構築
            pix = fitz.Pixmap(doc.extract_image(xref)["image"])
            if smask > 0:
                mask = fitz.Pixmap(doc.extract_image(smask)["image"])
                pix = fitz.Pixmap(pix, 0) 
                pix = fitz.Pixmap(pix, mask)
 
            # PRG10：画像を保存
            img_name = os.path.join(img_dir, f'image{pageNo+1}_{i}.{ext}')
            pix.save(img_name)

# PRG1：ライブラリ設定

import fitz

import os

# PRG2：画像の保存先フォルダを設定

filename = 'files/dai1.pdf'

dir_name = filename.split('.')[0]

img_dir = os.path.join(os.getcwd(),dir_name)

if os.path.isdir(img_dir) == False:

os.mkdir(img_dir)

# PRG3：PDFファイルを読み込む

doc = fitz.open(filename)

# PRG4：画像情報を格納するリストを作成

images = []

# PRG5：１ページずつ画像データを取得

for page in range(len(doc)):

images.append(doc[page].get_images())

# PRG6：ページ内の画像情報を順番に処理

for pageNo, image in enumerate(images):

# PRG7：ページ内の画像情報を処理する

if image != []:

for i in range(len(image)):

# PRG8：画像情報の取得

xref = image[i][0]

smask = image[i][1]

if image[i][8] == 'FlateDecode':

ext = 'png'

elif image[i][8] == 'DCTDecode':

ext = 'jpeg'

# PRG9：マスク情報の取得と画像の再構築

pix = fitz.Pixmap(doc.extract_image(xref)["image"])

if smask > 0:

mask = fitz.Pixmap(doc.extract_image(smask)["image"])

pix = fitz.Pixmap(pix, 0)

pix = fitz.Pixmap(pix, mask)

# PRG10：画像を保存

img_name = os.path.join(img_dir, f'image{pageNo+1}_{i}.{ext}')

pix.save(img_name)

[`yahoo` not found]

Reader Interactions

コメントを残す コメントをキャンセル

コメントを残すコメントをキャンセル