オープンソースの Python PDF パーサー ライブラリ

pdfminer.6 とは何ですか?

Pdfminer.six は、PDF ドキュメントからデータを抽出するためのオープンソース Python ライブラリおよびツールセットです。 PDF ドキュメントを解析し、データ分析のために PDF からテキスト、目次、タグ付けされたコンテンツなどを抽出できます。

以下にその解析機能の簡単なリストを示します。

• テキスト抽出:テキストの色、フォント、位置などのレイアウトや書式情報を含むテキスト コンテンツを PDF ドキュメントから抽出します。
• フォント情報の抽出: PDF ドキュメントで使用されているフォントに関する情報を抽出します。

GitHub の統計

名前：
言語：
出演者：
フォーク:
ライセンス：
リポジトリの最終更新日時

pdfminer.six の使用を開始する

pypdf をインストールして使用するには、Python バージョン 3.6.0 以降が必要です。したがって、まず Python をインストールし、次に以下のコマンドを使用して、pip と 仮想環境あ>。

python3 -m venv venv
source venv/bin/activate
pip install pdfminer.six

python -m venv venv
source venv/bin/activate
pip install pdfminer.six

python3 -m venv venv
venv\Scripts\activate.bat
pip install pdfminer.six

PDF ドキュメントからテキストを抽出

以下のコード スニペットに示すように、Python の pdfminer.six ライブラリを使用して、extract_text 関数を使用して PDF ドキュメントからテキストを抽出できます。

出力

次のスクリーンショットは、PDF ドキュメントから抽出されたテキストを示しています。

PDF ドキュメントからフォント情報を抽出する

PDF 内の各ページのレイアウト要素を反復処理することで、フォント名やフォント サイズなど、PDF ドキュメントで使用されているフォントに関する情報を抽出することもできます。たとえば、以下のコード スニペットを確認してください。

出力

次のスクリーンショットは、PDF ドキュメントから抽出されたフォント情報を示しています。

結論

結論として、pdfminer.six には PDF ドキュメントからテキストやその他の情報を抽出する機能がありますが、PDF から画像や表を抽出するなどの機能はありません。

pdfminer.six ライブラリは PDF ページを画像として抽出することをサポートしていますが、pdfminer.six でサポートされていない PDF ドキュメントに埋め込まれた画像の抽出とは異なることに注意することが重要です。ただし、開発者は Python で PDF を解析し、データ分析のニーズに合わせてテキストを抽出する際にこれを利用できます。

類似製品