Question

我正试图找出一种用Python或PHP处理扫描的pdf的方法。我需要能够打开多页PDF，读取内容，并根据文本中的标识符将页面移动到单个PDF文件（如果要分组，则将其移动到一个文件）。

我已下载并与pdftotext玩了一会儿，但我不确定这是否是最好的方法。我使用了扫描PDF的示例，通过pdftotext将其运行到txt文件并稍微围绕它。它运作正常;我能够找到一些标识符，但需要moar正则表达式技能才能有效。但我仍然擅长拆分PDF并根据pdftotext移动它们。

有什么想法吗？

编辑：澄清。

使用pdftotext将pdf的每个页面吐出到单个txt文件;
grep txt文件中的标识符，并编译那些相似的页面列表;
根据列表提取并合并（如果适用）相关页面并吐出每个页面的pdf;
根据分组移动生成的PDF到另一个位置;

PyPDF似乎是一个很好的起点。这就是我到目前为止所做的：

from pyPdf import PdfFileWriter, PdfFileReader
import re

output = PdfFileWriter()
input1 = PdfFileReader(file("test.PDF", "rb"))
totalPages = input1.getNumPages()
print "total pages to process:" +str(totalPages)

for i in range(totalPages):
    p = i
    print "processing page %s" %str(i)
    output.addPage(input1.getPage(p))
    p = input1.getPage(p).extractText()#extract text to search for identifier
    pr = re.search("identifier", p)#search for the identifier; to be replaced with a list
    #if there's a match, do work
    if pr:
        outputStream = file("test"+str(i)+".pdf", "wb")
        output.write(outputStream)
        outputStream.close()
        print 'match on page %s' %str(i)
        print '\n'

然后从这里我可以使用另一个库来根据他们的位置合并PDF。

另一个问题是：Python的re.search功能有多强大？特别是处理阴暗的OCR，它可靠吗？

Answer 1

我在小项目上成功使用了pypdf。

Answer 2

你试过PyPdf吗？请参阅：http://pybrary.net/pyPdf/

这是一个使用PyPdf提取文本的方法：http://code.activestate.com/recipes/511465-pure-python-pdf-to-text-converter/

处理PDF文件（读取，拆分，合并，移动）

2 个答案: