ফ্রি পাইথন লাইব্রেরির মাধ্যমে পিডিএফ থেকে তথ্য বের করুন

PDFMiner দিয়ে শুরু করা

PDFMiner-এর জন্য Python 3.6 এবং উচ্চতর সংস্করণ প্রয়োজন। আপনি পিপ ব্যবহার করে PDFMiner ইনস্টল করতে পারেন। এটি ইনস্টল করতে নিম্নলিখিত কমান্ড ব্যবহার করুন.

 pip install pdfminer 

Python এর মাধ্যমে PDF ফাইল থেকে টেক্সট বের করুন

ওপেন সোর্স Pdfminer.six লাইব্রেরি সফ্টওয়্যার ডেভেলপারদের পাইথন কোডের মাত্র কয়েক লাইন সহ একটি PDF ফাইল থেকে পাঠ্য বের করার ক্ষমতা দেয়। লাইব্রেরি পাঠ্য ডেটা পাওয়ার এবং বিশ্লেষণ করার উপর ফোকাস করে এবং এর পরে সরাসরি PDF এর সোর্স কোড থেকে একটি পৃষ্ঠা থেকে পাঠ্য বের করে। লাইব্রেরি ডেভেলপারদের একটি PDF ফাইল থেকে ছবি (JPG, JBIG2, Bitmaps) বের করার অনুমতি দেয়। প্রতিটি স্বতন্ত্র অক্ষরের ফন্টনাম বা আকার বের করাও সম্ভব। নিম্নলিখিত উদাহরণগুলি দেখায় যে কীভাবে একটি পিডিএফ ফাইল থেকে পাঠ্যটি বের করা যায় এবং এটি স্ক্রিনে প্রিন্ট করা যায়।

 from pdfminer.high_level import extract_text
# Extract text from a pdf.
text = extract_text('example.pdf')
# Extract iterable of LTPage objects.
pages = extract_pages('example.pdf')
print(text)

Python API এর মাধ্যমে PDF ফাইলকে hOCR-তে রূপান্তর করুন

hOCR হল অপটিক্যাল ক্যারেক্টার রিকগনিশন (OCR) থেকে প্রাপ্ত ফর্ম্যাট করা টেক্সটের জন্য ডেটা উপস্থাপনের একটি উন্মুক্ত মান। বিনামূল্যের Pdfminer.six লাইব্রেরিগুলি সফ্টওয়্যার ডেভেলপারদের পাইথন কোডের মাত্র কয়েকটি লাইনের সাথে পিডিএফ ফাইলগুলিকে hOCR ফরম্যাটে রূপান্তর করতে দেয়। লাইব্রেরিটি পরিচালনা করা খুব সহজ এবং এটি যে PDF গুলি রয়েছে তা থেকে স্পষ্ট পাঠ্য তথ্য বের করতে পারে এবং এটি একটি মৌলিক hOCR উপস্থাপনা তৈরি করতে ব্যবহার করে৷

Python এর মাধ্যমে PDF ফাইলকে টেক্সটে রূপান্তর করুন

লাইব্রেরিতে একটি সমৃদ্ধ বৈশিষ্ট্য সেট এবং ক্ষমতা রয়েছে যা আপনাকে মৌলিক PDF প্রক্রিয়াকরণের বাইরে প্রসারিত করতে দেয়। ওপেন সোর্স Pdfminer.six লাইব্রেরি আসুন পাইথন ডেভেলপাররা পিডিএফ ডকুমেন্টকে কয়েকটি সাধারণ কমান্ডের মাধ্যমে টেক্সটে রূপান্তর করে। প্রথমে আপনাকে PDF ফাইলের পাশাপাশি টেক্সট ফাইলের পথ প্রদান করতে হবে। যদি নথিটি পাসওয়ার্ড সুরক্ষিত থাকে তবে আপনাকে এর পাসওয়ার্ডও দিতে হবে। নিম্নলিখিত কোড উদাহরণ লক্ষ্য অর্জন করতে ব্যবহার করা যেতে পারে, এটি সহজভাবে একটি PDF এ স্ট্রিং প্রদান করবে, তার ফাইলের নাম দেওয়া হলে, আপনি সহজেই এটি একটি ফাইলে সংরক্ষণ করতে পারেন।

 from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from io import StringIO
def convert_pdf_to_txt(path):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    fp = open(path, 'rb')
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    password = ""
    maxpages = 0
    caching = True
    pagenos=set()
    for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True):
        interpreter.process_page(page)
    text = retstr.getvalue()
    fp.close()
    device.close()
    retstr.close()
    return text