问题标签 [pdf-extraction]

运行下面的代码时会os.chdir(folder_path)返回错误。怎么了？

这是我的文件夹层次结构：

我的 data_extraction.py 文件代码：

实际结果错误：

请问有什么帮助吗？

我的目标如下：我想获取用户上传的 PDF，从该 PDF 中提取文本，将文本分配给数组对象。完成后，我想将该文件上传到 S3 存储桶。现在我可以毫无问题地完成第一部分。我首先进行本地上传的原因是我可以从 PDF 中提取文本。这些方法是独立工作的。如果我想上传到 S3，它将使用链接填充数据库，以便我在前端显示它，但 BulletinMetaText 字段没有填充提取文本。

我应该怎么做？

如果我不清楚，请让我知道我还能提供什么..

多重方法：

节点/快递后端

我有一个 pdf 包，我需要提取每个 pdf 的大纲名称并使用 bash 脚本或 node.js 将其写入 csv 文件。我在 bash 脚本中使用 pdftk 库。在 bash 脚本中我使用了这个命令 pdftk input.pdf突发输出 output_%02d.pdf 但实际上我想要页面的大纲名称而不是 output_%02d.pdf 如果可能的话，那么我可以从单个 pdf 的每个文件名中提取大纲名称

我正在尝试从 pdf 文件中提取数据（表格）并将它们存储为数据框。

^{由reprex 包（v0.3.0）于 2020-01-07 创建}

这两个选项都返回长行的非结构化和混乱的数据。有没有其他方法可以从 pdf 文件中提取这些类型的数据（将表格作为数据框获取）或者我必须清理和整理这些数据？您可以在此处找到该文件：statement USD

为了从多页 PDF 中获取单个字符串，我正在这样做：

结果是来自单个页面（文档中的最后一页）的字符串 - 就像根据PyPDF2 文档一样。我应用这种方法是因为我读过一些人建议它阅读整个 PDF，这在我的情况下不起作用。

显然，这是一个基本操作，对于我缺乏经验，我提前道歉。我尝试了其他解决方案，如 Tika、PDFMiner 和 Textract，但到目前为止，PyPDF 似乎是唯一让我满意的解决方案。

任何帮助，将不胜感激。

更新：

正如建议的那样，我将 an 定义output为一个列表，然后将其附加到它（如我所想）这样的循环中的所有页面：

结果，认为，是列表中的单个字符串，例如['sample content from the last page of PDF']

我需要从 Pdf 中提取矩形中的文本。我测试了几种方法。但没有得到具体的文字。例如，我使用 PyMuPDF、pdfplumber、tabula、camelot、pdftables 包进行了测试。在 PyMuPDF 模块中，它要求输入开头和结尾的词来提取文本。据我了解，剩余的包也只是提取线条、曲线信息而不是文本。

我想在不提供任何开始和结束文本的情况下从 PDF 中的矩形获取文本。

https://drive.google.com/file/d/1wCvik7VbEvDwbT-mapgXc8fwlq7Ao3BP/view?usp=sharing

我正在尝试将数据从 pdf 提取到 excel 中。为此，我正在使用 tesseract。但是如何识别表格或表格等文档布局并导入到excel中。下面是示例图像。
财务报表的示例图像

在这个问题上，mkl 为 pnj 的困境提供了一个绝妙的答案。不幸的是，我们面临着一个非常相似的问题（使用名为Lohit - Devanagari的不同字体，但仍然是 Devanagari 字体）第二条评论很好地概述了非 OCR 解决方案的步骤，但我在理解 PDF 及其结构体。因此，如果可以在以下方面给出一些方向，那就太好了：

1. 使用具有低级对象访问 API 的通用 PDF 库覆盖此 PDF 中的 ToUnicode 映射，用于您选择的编程语言：我可以使用 Python 中的哪个库来执行此操作？
2. 遍历 PDF 对象结构，找到 ToUnicode 映射流，替换其内容，并保存结果。:有没有一些例子，我可以看到这对于任何字体是如何完成的？

我希望这不是太宽泛。谢谢！

我有一个 PDF，需要查找和替换一些文本。我知道如何创建叠加层和添加文本，但我无法确定如何定位当前文本坐标。这是我在 bytescout 网站上找到的示例 -

但它不起作用，因为没有采用 4 个参数的重载 Find 方法。我不喜欢使用 Bytescout 从 pdf 中查找文本坐标，但我的公司有许可证。如果 Bytescout 无法完成我想要做的事情，是否有一种免费的方法可以在 pdf 上查找文本坐标？

我有几个有问题的 PDF，我正在尝试将其转换为 PDF/A-1a。

这些文档使用 CID Identity-H 嵌入式子集，由 Acrobat Distiller 20.0 生成。我已经搜索了可以利用 OCR 扫描渲染输出的工具，目的是自动生成丢失的 ToUnicode CMap，或者至少为用户选择提供高概率的候选者，但在这方面没有成功。

字形清晰易读。如果这不是为这些文件构建 ToUnicode CMaps 的首选方法，是否有用于构建代码点的通用可视实用程序（或方法）？我尝试将字体提取到 FontForge 中，但失败了（FontForge 输出表明 PDF 不可读）。

谢谢！