Извлечение полной строки гиперссылки из PDF с использованием PyMuPDF - PullRequest
Новая
       42

Извлечение полной строки гиперссылки из PDF с использованием PyMuPDF

0 голосов
/ 12 марта 2020

Я пытаюсь извлечь каждую ссылку из PDF. Я могу получить каждую гиперссылку, используя этот код: 

folder = "test_folder"
folder_data = [os.path.join(dp, f) for dp, dn, filenames in os.walk(folder) for f in filenames if os.path.splitext(f)[1] == '.pdf']

data = [loc.replace("\\", "/") for loc in folder_data]

    for loc in data:

    doc = fitz.open(loc)
    #color_check(doc, count)
    file_name = loc.split("/")[-1]
    print (f"INFO: Crawling over file {file_name}, number {count} of {len(data)}")
    count += 1

    for page in doc:
        links = page.getLinks()
        print(links)
        for link in links:
            uri_rect = []
            uri_rect.append([round(link['from'][0], 2), round(link['from'][1], 2), round(link['from'][2], 2), round(link['from'][3], 2)])
            words_in_document = page.getTextWords()
            #print(links)
            for word in words_in_document:
                word_rect = []
                word_rect.append([round(word[0], 2), round(word[1], 2), round(word[2], 2), round(word[3], 2)])
                rect_dif_percentage = len(set(uri_rect[0])&set(word_rect[0])) / float(len(set(uri_rect[0]) | set(word_rect[0]))) * 100
                if rect_dif_percentage >= 60:
                    #If link links to a file
                    try:   
                        referenced_file_name = link['file'].split("/")[1]
                        referenced_file_path = link['file'].split("/")[0]
                        for file_loc in range(len(data)):
                            if referenced_file_name in data[file_loc]:
                                referenced_file_path = data[file_loc]
                        output.append([loc, word[4], referenced_file_path])

                    #If link links to a website
                    except:
                        referenced_file_name = "N/A"
                        referenced_file_path = link['uri']
                        output.append([loc, word[4], referenced_file_path])
with open("output.csv", "a", newline="") as f:
    writer = csv.writer(f)
    writer.writerows(output)

print("INFO: Crawling completed, you can close this window and check output.csv")

Проблема заключается в следующем. Если гиперссылка содержит более одного слова, я не смогу получить второе слово, так как я использую прямоугольник, найденный в page.getLinks (), и этот метод находит только первое слово гиперссылки.

Так, например, следующая гиперссылка: Click me!

Мой код сможет получить только строку '' Click ''.

Что может Я делаю, чтобы решить эту проблему? Я застрял и не могу думать ни о чем. Кроме того, если у вас есть другое решение без использования PyMuPDF, они приветствуются!

...