Как вывести текстовый блок в pdfMiner - PullRequest
Новая
       91

Как вывести текстовый блок в pdfMiner

0 голосов
/ 02 апреля 2019

Использую ли PDFMiner для извлечения данных из PDF, до этого я использовал pdftotext, который мог выводить данные в следующем формате 

<flow>
      <block xMin="257.682878" yMin="327.645732" xMax="267.436664" yMax="353.154018">
        <line xMin="257.682878" yMin="327.645732" xMax="267.436664" yMax="353.154018">
          <word xMin="257.682878" yMin="344.226468" xMax="267.429662" yMax="353.154018">MR</word>
          <word xMin="257.682878" yMin="327.645732" xMax="267.436664" yMax="342.630012">(WDI)</word>
        </line>
      </block>
    </flow>

, как это можно применить в PDFMiner?текущий метод, который я использую ниже 

def parse_obj(lt_objs):

    # loop over the object list
    for obj in lt_objs:

        # if it's a textbox, print text and location
        if isinstance(obj, pdfminer.layout.LTTextBoxHorizontal):
            txt = obj.get_text().replace('\n', '_')
            txt = txt.rsplit('_', 1)[0]
            if txt.endswith('_') and txt.count('_') == 1:
                {}
            elif txt.count('_') >1 :
                txt = ''.join(reversed(txt))
                txt = txt.replace('_', '')
            # print(obj)

            data.append((obj.bbox[0], obj.bbox[1], txt))
            print("%6d, %6d, %s" % (obj.bbox[0], obj.bbox[1], txt))

        # elif isinstance(obj,pdfminer.layout.LTTextBoxVerticdal):
        #     txt = obj.get_text().replace('\n', '_')
        #     if '_' in txt:
        #         txt=''.join(reversed(txt))

        # if it's a container, recurse
        elif isinstance(obj, pdfminer.layout.LTFigure):
            parse_obj(obj._objs)



# loop over all pages in the document
pages = PDFPage.create_pages(document)


for page_number, page in enumerate(pages):
    if page_number==16:
        interpreter.process_page(page)
        layout = device.get_result()
      # extract text from this object
        parse_obj(layout._objs)
...