PDFMiner 使ってみる

はじめに

PDFファイルを解析する必要がありました。
とりあえずPythonでやりたかった。
PDFMinerというライブラリが便利そうなので、使ってみました。

PDFMiner

http://www.unixuser.org/~euske/python/pdfminer/index.html
https://github.com/euske/pdfminer/

Python2環境の作成

手元には、Python3環境しかなかったので、Python2環境を増やしました。

$ pyenv install 2.7.13
...省略...
$ pyenv local 2.7.13
$ python --version
Python 2.7.13

できました。

PDFMinerでPDF解析

導入

$ git clone https://github.com/euske/pdfminer.git
Cloning into 'pdfminer'...
remote: Counting objects: 3164, done.
remote: Total 3164 (delta 0), reused 0 (delta 0), pack-reused 3164
Receiving objects: 100% (3164/3164), 6.01 MiB | 406.00 KiB/s, done.
Resolving deltas: 100% (2245/2245), done.
$ cd ./pdfminer
$ make cmap
...省略...
$ python ./setup.py install
...省略...

おためし

ためしに使ってみます。

$ cat ./samples/simple1.pdf | head
%PDF-1.4
1 0 obj
<<
 /Type /Catalog
 /Outlines 2 0 R
 /Pages 3 0 R
>>
endobj
2 0 obj
<<
$ ./tools/pdf2txt.py ./samples/simple1.pdf
Hello

World

Hello

World

H e l l o

W o r l d

H e l l o

W o r l d

どうやらこのpdf2txt.pyというツールは問題なく動作するようです。