Python-PDF2text

概要

PDF2TextにPDFの改行調整を組み合わせたものです。

PDFに起因する文中の改行はできるだけ減らしています。

ページ間には空行をはさんでいます。

用紙サイズ

A4のPDFでは, width:595.303937007874, heght:841.889763779528でした。 おそらく72dpiでのpxです。

コマンド例

第 26 回 JDA 秋季ディベート大会決勝戦

python pdf_PDF2text.py pdf/F26TS.pdf output/F26TS.txt -f 68

第 15 回 JDA 春期ディベート大会決勝戦

python pdf_PDF2text.py pdf/s15ts.pdf output/s15ts.txt -b 304 -f 47

二段組みの場合 -b 0指定をすれば用紙の半分指定になりますが、すこしずれているとあてにならないので手動で指定します。

ターミナルの結果をみて、該当部分の

• -bにはx0より少し小さい値 (区切り位置)
• -tにはy0より少し小さい値 (ヘッター)
• -fにはy1より少し大きい値 (フッター)

を入れてください。

概要 Description

PDFファイルを読んで文字をテキストファイルに出力します。
Read a PDF file and output characters to a text file.

特徴 Features

• ページのヘッダーやフッターを抽出の対象から除けます。
  Exclude page headers and footers from extraction.
• ページを指定して抽出できます。
  You can specify the page to extract.
• 2段組みの文書でも抽出できます。
  You can also extract even a two-tiered document.

依存関係 Requirement

• Python 3.8.5
• pdfminer.six 20201018

使い方 Usage

usage: pdf_PDF2text.exe [-h] [-b n] [-f n] [-t n] [-s n] [-e n]
                        input_path [output_path]

positional arguments:
  input_path        入力ファイル名
  output_path       出力ファイル名(default:月日_時分_秒.txt)

optional arguments:
  -h, --help        show this help message and exit
  -b n, --border n  段組みの切れ目 0の場合、用紙幅の半分(default:1)
  -f n, --footer n  フッター位置(default:30)
  -t n, --top n     ヘッダー位置(default:1000)
  -s n, --s_page n  開始ページ(default:1)
  -e n, --e_page n  終了ページ(0:最終)(default:0)

インストール方法 Installation

• pip install pdfminer.six

プログラムの説明サイト Program description site

PDFからテキストを抽出(プログラム)【Python】 - プログラムでおかえしできるかな

作者 Authors

juu7g

編集 Editor

@miikun77

ライセンス License

このソフトウェアは、MITライセンスのもとで公開されています。LICENSE.txtを確認してください。
This software is released under the MIT License, see LICENSE.txt.