오픈 소스 Python PDF 파서 라이브러리
PDF를 구문 분석하고 서식 정보가 포함된 텍스트를 추출하는 무료 및 오픈 소스 Python 라이브러리입니다.
pdfminer.six는 무엇입니까?
Pdfminer.six는 PDF 문서에서 데이터를 추출하기 위한 오픈 소스 Python 라이브러리이자 도구 세트입니다. PDF 문서를 구문 분석하고 데이터 분석을 위해 PDF에서 텍스트, 목차, 태그된 내용 등을 추출할 수 있습니다.
다음은 구문 분석 기능에 대한 간략한 목록입니다.
- 텍스트 추출: 텍스트 색상, 글꼴, 위치 등과 같은 레이아웃 및 서식 정보를 포함하여 PDF 문서에서 텍스트 콘텐츠를 추출합니다.
- 글꼴 정보 추출: PDF 문서에 사용된 글꼴에 대한 정보를 추출합니다.
pdfminer.six 시작하기
pypdf를 설치하고 사용하려면 Python 버전 3.6.0 이상이 필요합니다. 따라서 먼저 Python을 설치한 다음 아래 명령을 사용하여 pip 및 가상 환경.
리눅스
python3 -m venv venv
source venv/bin/activate
pip install pdfminer.six
맥 OS
python -m venv venv
source venv/bin/activate
pip install pdfminer.six
윈도우
python3 -m venv venv
venv\Scripts\activate.bat
pip install pdfminer.six
PDF 문서에서 텍스트 추출
아래 코드 스니펫에 표시된 대로 Python의 pdfminer.six 라이브러리를 사용하여 extract_text 함수를 사용하여 PDF 문서에서 텍스트를 추출할 수 있습니다.
산출
다음 스크린샷은 PDF 문서에서 추출된 텍스트를 보여줍니다.
PDF 문서에서 글꼴 정보 추출
PDF의 각 페이지의 레이아웃 요소를 반복하여 글꼴 이름, 글꼴 크기 등 PDF 문서에 사용된 글꼴에 대한 정보를 추출할 수도 있습니다. 예를 들어 아래 코드 조각을 확인하세요.
산출
다음 스크린샷은 PDF 문서에서 추출된 글꼴 정보를 보여줍니다.
결론
결론적으로 pdfminer.six는 PDF 문서에서 텍스트 및 기타 정보를 추출하는 기능이 있지만 PDF에서 이미지 및 표를 추출하는 등의 기능은 부족합니다.
pdfminer.six 라이브러리는 PDF 페이지를 이미지로 추출하는 것을 지원하지만 pdfminer.six에서 지원하지 않는 PDF 문서에 포함된 이미지를 추출하는 것과는 다릅니다. 그러나 개발자는 Python에서 PDF를 구문 분석하여 데이터 분석 요구 사항에 맞는 텍스트를 추출하는 데 여전히 이를 사용할 수 있습니다.
