Question

我有一个pdf，其中每个页面都包含一个地址。地址采用以下格式：

Location Name

Street Address

City, State Zip

例如：

The Gift Store

620 Broadway Street

Van Buren, AR 72956

每个地址只有这种格式，每个地址都在pdf的不同页面上。

我需要提取地址信息并将结果存储在excel / csv文件中。我需要为每个信息字段分别输入条目。我的Excel工作表需要在不同的列中包含位置名称，街道地址，城市，州，邮编。我在python中使用pyPdf。

我使用以下代码执行此操作，但我的代码不考虑换行符;相反，它将单个页面的整个数据作为连续字符串。

import pyPdf  
def getPDFConten(path):
    content = ""
    num_pages = 10
    p = file(path, "rb")
    pdf = pyPdf.PdfFileReader(p)
    for i in range(9, num_pages):
        x = pdf.getPage(i).extractText()+'\n' 
        content += x

    content = " ".join(content.replace(u"\xa0", " ").strip().split())     
    return content

con = getPDFContent("document.pdf")
print con

或上面的例子给出了“The Gift Store 620 Broadway Street Van Buren，AR 72956”。

如果我可以逐行读取输入，那么我可以使用子串轻松地从前两行获取位置名称和Stree地址，其余来自第三行。

我尝试使用列出的解决方案[here（pyPdf ignores newlines in PDF file），但它对我不起作用。我也尝试使用pdfminer：它可以逐行提取信息，但它首先将pdf转换为文本文件，我不想这样做。我想这样做只使用pyPdf。任何人都可以建议我错在哪里或我错过了什么？这可以用pyPdf吗？

Answer 1

您可以尝试使用subprocess从poppler实用程序中调用pdftotext（可能使用-layout选项）。对我来说，它比使用pypdf更好。

例如，我使用以下代码从PDF文件中提取CAS个数字：

import subprocess
import re

def findCAS(pdf, page=None):
    '''Find all CAS numbers on the numbered page of a file.

    Arguments:
    pdf -- Name of the PDF file to search
    page -- number of the page to search. if None, search all pages.
    '''
    if page == None:
        args = ['pdftotext', '-layout', '-q', pdf, '-']
    else:
        args = ['pdftotext', '-f', str(page), '-l', str(page), '-layout',
                '-q', pdf, '-']
    txt = subprocess.check_output(args)
    candidates =  re.findall('\d{2,6}-\d{2}-\d{1}', txt)
    checked = [x.lstrip('0') for x in candidates if checkCAS(x)]
    return list(set(checked))

def checkCAS(cas):
    '''Check if a string is a valid CAS number.

    Arguments:
    cas -- string to check
    '''
    nums = cas[::-1].replace('-', '') # all digits in reverse order
    checksum = int(nums[0]) # first digit is the checksum
    som = 0
    # Checksum method from: http://nl.wikipedia.org/wiki/CAS-nummer
    for n, d in enumerate(nums[1:]):
        som += (n+1)*int(d)
    return som % 10 == checksum

如何让pypdf逐行读取页面内容？

1 个答案: