Mis cosas: python 2.6 64 bit (con pyPdf-1.13.win32.exe instalado). Ala IDE. Windows 7 64 bit. Tuve el siguiente error: Error no implementado: filtro no compatible / LZWDecode Cuando ejecuté el siguiente código: from pyPdf import PdfFileWriter, PdfFileReader import sys, os, pyPdf, re path = ‘C:\\Users\\Homer\\Documents\\’ # This is where I put my pdfs filelist = […]
import PyPDF2 import glob import os from fpdf import FPDF import shutil class MyPDF(FPDF): # adding a footer, containing the page number def footer (self): self.set_y(-15) self.set_font(“Arial”, Style=”I”, size=8) pageNum = “page %s/{nb}” % self.page_no() self.cell(0,10, pageNum, align=”C”) if __name__ == “__main__”: os.chdir(“pathtolocation/docs/”) # docs location os.system(“libreoffice –headless –invisible –convert-to pdf *”) # this converts […]
Tratando de instalar el módulo PyPdf2 , descargué el zip y lo descomprimí, python setup.py build y python setup.py install , pero parece que no se ha instalado, cuando bash importarlo desde un script de python, devuelve un ImportError : import pyPdf Traceback (most recent call last): File “”, line 1, in ImportError: No module […]
En este momento estoy buscando hacer una fusión de PDF con pyPdf, pero a veces las entradas no están en el orden correcto, por lo que estoy buscando raspar cada página para determinar el orden en que debe ir (por ejemplo, si alguien dividió un libro en 20 archivos PDF de 10 páginas y quiero […]
Estoy intentando analizar el texto del archivo pdf utilizando pdfMiner, pero el texto extraído se fusiona. Estoy usando el archivo pdf del siguiente enlace. Archivo PDF Soy bueno con cualquier tipo de salida (archivo / cadena). Aquí está el código que devuelve el texto extraído como una cadena, pero por alguna razón, las columnas se […]
¿Cómo puedo extraer texto de un archivo PDF en Python? Intenté lo siguiente: import sys import pyPdf def convertPdf2String(path): content = “” pdf = pyPdf.PdfFileReader(file(path, “rb”)) for i in range(0, pdf.getNumPages()): content += pdf.getPage(i).extractText() + ” \n” content = ” “.join(content.replace(u”\xa0″, u” “).strip().split()) return content f = open(‘a.txt’,’w+’) f.write(convertPdf2String(sys.argv[1]).encode(“ascii”,”xmlcharrefreplace”)) f.close() Pero el resultado es el […]
Estoy tratando de extraer texto de una gran cantidad de archivos PDF utilizando los enlaces de python de PDFMiner. El módulo que escribí funciona para muchos archivos PDF, pero recibo este error un tanto críptico para un subconjunto de archivos PDF: rastro de stack ipython: /usr/lib/python2.7/dist-packages/pdfminer/pdfparser.pyc in set_parser(self, parser) 331 break 332 else: –> 333 […]
from pyPdf import PdfFileReader f = open(‘document.pdf’, ‘rb’) p = PdfFileReader(f) o = p.getOutlines() El objeto de lista o consta de objetos de diccionario pyPdf.pdf.Destination (marcadores), que tiene muchas propiedades, pero no puedo encontrar ningún número de página de referencia de ese marcador ¿Cómo puedo devolver el número de página de, digamos o[1] marcador? Por […]
¿Cuál es una forma eficiente de generar PDF para marcos de datos en Pandas?
Quiero poder detectar un patrón en un PDF y marcarlo de alguna manera. Por ejemplo, en este PDF , está la cadena *2 . Quiero poder analizar el PDF, detectar todas las instancias de *[integer] y hacer algo para llamar la atención sobre las coincidencias (como resaltarlas en amarillo o agregar un símbolo en el […]