标签: pypdf

我一直在研究一个项目，其中我使用神经网络从pdf中提取表格数据，我成功检测表格并获取它们的坐标（x，y，宽度，高度），我一直在尝试使用pypdf2裁剪pdf隔离表格，但由于某种原因，裁剪永远不会符合预期的结果。运行推理后我得到这些坐标

[[5.0948269e+01、1.5970685e+02、1.1579385e+03、2.7092386e+02 9.9353129e-01]]

第 5 个数字是我的神经网络精度，我们可以安全地忽略它

在 pyplot 中尝试它们是可行的，所以它们没有问题：

但是在 pypdf2 中使用相同的坐标始终是关闭的

from PyPDF2 import PdfFileWriter, PdfFileReader

with open("mypdf.pdf", "rb") as in_f:
    input1 = PdfFileReader(in_f)
    output = PdfFileWriter()

    numPages = input1.getNumPages()

    for i in range(numPages):
        page = input1.getPage(i)
        page.cropBox.upperLeft = (5.0948269e+01,1.5970685e+02)
        page.cropBox.upperLeft = (1.1579385e+03, 2.7092386e+02)
     
        
        output.addPage(page)
        with open("out.pdf", "wb") as out_f:
          output.write(out_f)

这是我得到的输出：

我错过了什么吗？

谢谢 ！

我想在pdf中绘制一个形状，例如矩形。我尝试过下面的代码，但它在 pdf 中添加文本。我怎样才能画它？

# Add text to Existing PDF using Python

from pyPdf import PdfFileWriter, PdfFileReader
import StringIO
from reportlab.pdfgen import canvas
from reportlab.lib.pagesizes import letter

packet = StringIO.StringIO()
# create a new PDF with Reportlab
can = canvas.Canvas(packet, pagesize=letter)
TXT="Sample Text"
can.drawString(300, 70, TXT) #coordinates (x,y)
can.save()

#move to the beginning of the StringIO buffer
packet.seek(0)
new_pdf = PdfFileReader(packet)
# read your existing PDF
existing_pdf = PdfFileReader(file("original.pdf", "rb"))
output = PdfFileWriter()
# add the "watermark" (which is the new …

我正在做最后一年的项目，所以我正在开发一个用户可以阅读 PDF 的网站。我添加了一些功能，例如将货币转换为本国货币。我在我的项目中使用flask和pymuPDF，我不知道如何修改pdf中的文本，有人可以帮助我解决这个问题吗？

我听说这里使用 pymuPDF 或 pypdf 可以工作，但我没有找到任何替换文本的解决方案。

我正在使用pypdf从pdf文件中提取文本.问题是不提取pdf文件中的表.我也尝试过使用pdfminer,但我遇到了同样的问题.

我搜索了我的问题，但在两个可用问题中没有得到我的答案

1. 使用 Python pdfMiner 提取每页文本？

2. PDFMiner - 遍历页面并将其转换为文本

基本上我想遍历每个页面，因为我只想选择具有特定文本的页面。

我用过pyPdf。它几乎适用于我可以说的 90%，pdfs但有时它不会从页面中提取信息。

我使用了以下代码：

import pyPdf
extract = ""        
pdf = pyPdf.PdfFileReader(open('filename.pdf', "rb"))
num_of_pages = pdf.getNumPages()
for p in range(num_of_pages):
  ex = pdf.getPage(6)
  ex = ex.extractText()
  if re.search(r"to be held (at|on)",ex.lower()):
    print 'yes'
    print  ex ,"\n"
    extract = extract + ex + "\n" 
    continue

上面的代码有效，但有时无法提取某些页面。

我也尝试使用pdfminer，但我找不到如何逐页迭代其中的 pdf。pdfminer返回pdf的整个文本。

我使用了以下代码：

def convert_pdf_to_txt(path):
  rsrcmgr = PDFResourceManager()
  retstr = StringIO()
  codec = 'utf-8'
  laparams = LAParams() …

我试图让 PyPDF2 根据下面的代码提取整个文档中的特定文本。它准确地提取了我需要的内容并消除了重复项，但它并没有为我提供每个页面的列表，它似乎只向我显示最后一页的文本。我究竟做错了什么？

#import PyPDF2 and set extracted text as the page_content variable
import PyPDF2
pdf_file = open('enme2.pdf','rb')
read_pdf = PyPDF2.PdfFileReader(pdf_file)
number_of_pages = read_pdf.getNumPages()

#for loop to get number of pages and extract text from each page
for page_number in range(number_of_pages):
    page = read_pdf.getPage(page_number)
    page_content = page.extractText()

#initialize the user_input variable
user_input = ""

#function to get the AFE numbers from the pdf document
def get_afenumbers(Y):

    #initialize the afe and afelist variables
    afe = "A"
    afelist = ""
    x = …

所以我花了一个月的大部分时间来解决这个问题。我正在寻找一种方法，从由文件的 OCG（可选内容组）组织的矢量化 PDF 中提取几何元素（多段线、文本、弧线等），OCG 基本上是 PDF 图层。使用 PDFminer，我能够提取几何图形（LTCurves、LTTextBoxes、LTLines 等）；使用 PyPDF2，我能够查看 PDF 中有多少个 OCG，尽管我无法访问与该 OCG 相关的几何图形。我在网上看到并尝试过一些黑客脚本可能能够解决这个问题，但无济于事。我什至求助于在文本编辑器中打开原始 PDF 数据，并半途而废地删除其中的部分内容，看看是否可以想出一些自定义解析技术来做到这一点，但同样无济于事。Adobe 的 PDF 手册充其量只是最少的，因此当我尝试创建解析器时这没有任何帮助。有谁知道这个问题的解决方案。

在这一点上，我愿意接受任何语言、使用任何操作系统的解决方案（尽管我更喜欢在 Windows 或 Linux 上使用 Python 3 的解决方案），只要它是开源/免费的。

这里有人能帮助结束这个黑暗的兔子洞吗？非常感激！

我在更新可填写 pdf 中的命名字段时遇到问题。我的代码如图所示：

from PyPDF2 import PdfFileReader, PdfFileWriter

reader = PdfFileReader("invoice_template.pdf")
page = reader.getPage(0)

data_dict = {
    "business_name_1": "Consulting",
    "customer_name": "company.io",
    "customer_email": "example@icloud.com",
}

writer = PdfFileWriter()
writer.updatePageFormFieldValues(page, fields=data_dict)
writer.addPage(page)

with open("newfile.pdf", "wb") as fh:
    writer.write(fh)

myfile.getFormTextFields()我在调用之前和之后检查了字段字典updatePageFormFieldValues()，它们确实得到了更新。但是生成的 pdf 中没有任何字段值。不确定我做错了什么。我正在使用的 pdf 可以在这里找到

我一直在尝试从扫描的 PDF（带有不可选择文本的图像）中提取文本。

但是，我得到的输出不是人类可读的。

我想要包含 pdf 链接中的日期、发票号的信息（https://drive.google.com/file/d/1qQsqhlSKTZs-hlswrV8PIirR36896KXZ/view）。

请帮助我以纯文本形式提取和存储相同的内容。

import PyPDF2
from PIL import Image
pdf_reader = PyPDF2.PdfFileReader(r'document.pdf', 'rb')
page = pdf_reader.getPage(85)
if '/XObject' in page['/Resources']:
    xobject = page['/Resources']['/XObject'].getObject()
    for obj in xobject:
        if xobject[obj]['/Subtype'] == '/Image':
            size = (xobject[obj]['/Width'], xobject[obj]['/Height'])
            data = xobject[obj]._data
            print("*******", data)
            print(xobject[obj]['/Filter'])

我想使用 pyPDF 以编程方式编辑 PDF。目前，我正在努力解释各种 PDF 框（TrimBox、MediaBox 等）的尺寸。每个盒子有四个维度存储为四元组，例如：

TrimBox:           56.69    56.69  1040.31   751.18

根据 PDF 规范，这些应该描述一个矩形，并且当然 (56.69, 56.69) 确定了该矩形的左上角。然而，(1040.31, 751.18) 是被解释为这个矩形的右下角，还是相对于左上角的向量？

显然，这个答案在排字工中是如此众所周知，以至于到目前为止我在任何地方都找不到明确的拼写。

我附上了一张图片来帮助展示我所做的事情。我正在尝试编写一个程序，将空白页添加到目录中具有奇数页数的所有 PDF 中。但是我似乎无法阅读目录中的所有 PDF。

我的脚本适用于单个 PDF，但我还有 1000 个 PDF 需要处理。为什么我无法阅读 user_input 目录中的所有 PDF？

代码在这里

from PyPDF2 import PdfFileReader, PdfFileWriter, PdfFileMerger
import os


user_input = input("Enter the path of your file: ")
files = os.listdir(user_input)

for file in files:
    print(file)
    pdfReader = PdfFileReader(open(files, 'rb'))