Python3: pdftotext で PDF をテキストに変換

9187 ワード
Python3 PDF pdftotext PDF テキストリンク
pdf_read.py
#! /usr/bin/python
# -*- coding: utf-8 -*-
#
#   pdf_read.py
#
#                       Oct/02/2018
#
import  sys
import  pdftotext
#
# ------------------------------------------------------------------
def dict_display_proc(dict_aa):
    for key in sorted(dict_aa.keys()):
        unit = dict_aa[key]
        name = unit['name']
        str_out = str(key) +"\t"+ str(name)
        str_out += "\t" + str(unit['population'])
        str_out += "\t" + str(unit['date_mod'])
        print(str_out)
# ------------------------------------------------------------------
def     dict_append_proc(dict_aa,key,name,population,date_mod):
    dict_aa[key] = {'name':name,'population':population,'date_mod':date_mod}
#
    return dict_aa
#
# ------------------------------------------------------------------
def pdf_to_dict_proc (file_pdf):
    dict_aa = {}
#
    fp_in = open(file_pdf, "rb")
    pdf = pdftotext.PDF(fp_in)
    fp_in.close()
#
    lines = pdf[0].split("\n")
    for str in lines:
        line = str.rstrip()
        if (5 < len (line)):
            cols= line.split ()
            key = cols[0]
            name = cols[1]
            population = cols[2]
            date_mod = cols[3]
            if (key[0] == "t"):
                dict_aa = dict_append_proc (dict_aa,key, \
                    name,population,date_mod)
#
    return  dict_aa
# ------------------------------------------------------------------
sys.stderr.write ("*** 開始 ***\n")
file_pdf = sys.argv[1]
dict_aa = pdf_to_dict_proc (file_pdf)
#
dict_display_proc (dict_aa)
sys.stderr.write ("*** 終了 ***\n")
# ------------------------------------------------------------------

実行方法

./pdf_read.py cities.pdf

入力ファイル

実行結果

$ ./pdf_read.py cities.pdf 
*** 開始 ***
t2531   大津  92168   2003-9-30
t2532   草津  17524   2003-2-10
t2533   守山  73651   2003-6-14
t2534   栗東  62963   2003-9-9
t2535   野洲  42531   2003-8-4
t2536   甲賀  35287   2003-1-21
t2537   湖南  82956   2003-7-23
t2538   近江八幡    23784   2003-10-26
t2539   彦根  72813   2003-12-15
*** 終了 ***

Arch Linux でのライブラリーのインストール方法

yay -S python-pdftotext

次のバージョンで確認しました。

$ python --version
Python 3.8.2