![主な出力オプション
? コマンドラインで出力する際に使用できるオプションが
様々ある。
-o:出力ファイル名指定
-p:PAGENO [,pageno,...] 抽出ページ番号のカンマ区切のリ
スト
(ページ番号は1から始まります。)
-c:出力コーデックを指定します。
-t:タイプ(txt/html/xml/tag)※デフォルトはtxt
-V:縦書きの検出を行う](https://image.slidesharecdn.com/pythonpdf-151118104116-lva1-app6892/85/Python-pdf-19-320.jpg)
笔测迟丑辞苍で辫诲蹿をいじってみる
- 10. PDF操作用Pythonモジュール ? PDF内にある情報を抽出するためのモジュール ? ライセンス形態は、MITライセンス ? 日本語の対応もやっている Pdfminer(http://urx2.nu/oXgp)
- 12. インストール 以下のURLよりzipファイルをダウンロード https://github.com/euske/pdfminer/ $ python setup.py install インストール確認は、pip freezeで…
- 13. 動作確認 Quick Startから $ python ~/pdf2txt.py ~/sample/simple1.pdf Hello World Hello World H e l l o W o r l d H e l l o W o r l d Scriptsファルダ内にある のでパスを指定
- 14. ただし… ? このままだと日本語がまともに表示されません ? 日本語に対応させるためには、CJKの登録をしな いと文字化けを起こすのでまずはセットアップす る ? ハマりどころはどこに何を置くかが最初わからず 困ったとこ
- 15. 日本語の対応 ? ~/lib/site-packages/pdfminer直下にcmap フォルダを作成する cd ~/lib/site-packages/pdfminer mkdir cmap
- 16. 日本環境の設定 以下のコマンドを実行 cd ~site-package python .pdfminerpdfminer-mastertoolsconv_cmap.py -c B5=cp950 -c UniCNS-UTF8=utf-8 .pdfminercmap Adobe-CNS1 .pdfminerpdfminer-mastercmaprsrccid2code_Adobe_CNS1.txt python .pdfminerpdfminer-mastertoolsconv_cmap.py -c GBK-EUC=cp936 -c UniGB- UTF8=utf-8 .pdfminercmap Adobe-GB1 .pdfminerpdfminer- mastercmaprsrccid2code_Adobe_GB1.txt python .pdfminerpdfminer-mastertoolsconv_cmap.py -c RKSJ=cp932 -c EUC=euc-jp -c UniJIS-UTF8=utf-8 .pdfminercmap Adobe-Japan1 .pdfminerpdfminer- mastercmaprsrccid2code_Adobe_Japan1.txt python .pdfminerpdfminer-mastertoolsconv_cmap.py -c KSC-EUC=euc-kr -c KSC- Johab=johab -c KSCms-UHC=cp949 -c UniKS-UTF8=utf-8 .pdfminercmap Adobe-Korea1 .pdfminerpdfminer-mastercmaprsrccid2code_Adobe_Korea1.txt cd pdfminerpdfminer-master python setup.py install
- 17. ポイント ? MACは、 ? Windowsは、絶対パスで指定する必要がありこの 部分でかなり悩んだ ? ちなみに最後にあった項目は、韓国語の対応用な ので今回はなくてもいいかも make cmap python setup.py install
- 18. 実際に出力してみる ? 動作確認の為に以下のコマンドを実行し、日本語が出力 されるかを確認 python ~pdf2txt.py -o c:workoutput.txt ~japaneseSample.pdf
- 19. 主な出力オプション ? コマンドラインで出力する際に使用できるオプションが 様々ある。 -o:出力ファイル名指定 -p:PAGENO [,pageno,...] 抽出ページ番号のカンマ区切のリ スト (ページ番号は1から始まります。) -c:出力コーデックを指定します。 -t:タイプ(txt/html/xml/tag)※デフォルトはtxt -V:縦書きの検出を行う
- 20. その他の機能 ? その他のデバッグ機能としてdumppdf.pyコマンドがあ ります。 $python ~/dumppdf.py -a ~/japanesesample2.pdf デバッグ用の擬似xmlを出力したり中に埋め込まれた画像 を抽出したりできます。
- 21. まとめ ? コマンドライン的には2つのみのシンプルな構成 ? PDF内にあるテキストを抽出するには便利 ? 日本語の対応は、CMAPの設定が必要。設定時にパス の指定に注意する必要がある(windows版は注意) ? デバッグ用のコマンドラインは、画像の抽出が可能 なのでうまく使えば部分的な処理が可能 ? ある程度細かいことをしようとするとPDFの構造を 理解する必要があるかも…
- 23. ご清聴ありがとうございました。