Читать, выделять, сохранять PDF программно

Question

Я хотел бы написать небольшой скрипт (который будет работать на безголовом сервере Linux), который читает PDF, выделяет текст, который соответствует чему-либо в массиве строк, которые я передаю, а затем сохраняет измененный PDF. Я предполагаю, что в конечном итоге я буду использовать что-то вроде привязки python к poppler, но, к сожалению, документации почти нет, а у меня практически нет опыта работы с python.

Если бы кто-нибудь мог указать мне учебник, пример или какую-нибудь полезную документацию, чтобы начать работу, я был бы очень признателен!

Answer 1

Да, это возможно с помощью комбинации pdfminer (pip install pdfminer.six) а также PyPDF2,

Сначала найдите координаты (например, вот так). Затем выделите это:

#!/usr/bin/env python

"""Create sample highlight in a PDF file."""

from PyPDF2 import PdfFileWriter, PdfFileReader

from PyPDF2.generic import (
    DictionaryObject,
    NumberObject,
    FloatObject,
    NameObject,
    TextStringObject,
    ArrayObject
)


def create_highlight(x1, y1, x2, y2, meta, color=[0, 1, 0]):
    """
    Create a highlight for a PDF.

    Parameters
    ----------
    x1, y1 : float
        bottom left corner
    x2, y2 : float
        top right corner
    meta : dict
        keys are "author" and "contents"
    color : iterable
        Three elements, (r,g,b)
    """
    new_highlight = DictionaryObject()

    new_highlight.update({
        NameObject("/F"): NumberObject(4),
        NameObject("/Type"): NameObject("/Annot"),
        NameObject("/Subtype"): NameObject("/Highlight"),

        NameObject("/T"): TextStringObject(meta["author"]),
        NameObject("/Contents"): TextStringObject(meta["contents"]),

        NameObject("/C"): ArrayObject([FloatObject(c) for c in color]),
        NameObject("/Rect"): ArrayObject([
            FloatObject(x1),
            FloatObject(y1),
            FloatObject(x2),
            FloatObject(y2)
        ]),
        NameObject("/QuadPoints"): ArrayObject([
            FloatObject(x1),
            FloatObject(y2),
            FloatObject(x2),
            FloatObject(y2),
            FloatObject(x1),
            FloatObject(y1),
            FloatObject(x2),
            FloatObject(y1)
        ]),
    })

    return new_highlight


def add_highlight_to_page(highlight, page, output):
    """
    Add a highlight to a PDF page.

    Parameters
    ----------
    highlight : Highlight object
    page : PDF page object
    output : PdfFileWriter object
    """
    highlight_ref = output._addObject(highlight)

    if "/Annots" in page:
        page[NameObject("/Annots")].append(highlight_ref)
    else:
        page[NameObject("/Annots")] = ArrayObject([highlight_ref])


def main():
    pdf_input = PdfFileReader(open("samples/test3.pdf", "rb"))
    pdf_output = PdfFileWriter()

    page1 = pdf_input.getPage(0)

    highlight = create_highlight(89.9206, 573.1283, 376.849, 591.3563, {
        "author": "John Doe",
        "contents": "Lorem ipsum"
    })

    add_highlight_to_page(highlight, page1, pdf_output)

    pdf_output.addPage(page1)

    output_stream = open("output.pdf", "wb")
    pdf_output.write(output_stream)


if __name__ == '__main__':
    main()

Answer 2

Вы пробовали смотреть на PDFMiner? Похоже, он делает то, что вы хотите.

Answer 3

PDFlib имеет привязки Python и поддерживает эти операции. Вы захотите с PDI, если хотите открыть PDF. http://www.pdflib.com/products/pdflib-family/pdflib-pdi/ и TET.

К сожалению, это коммерческий продукт. Я использовал эту библиотеку в производстве в прошлом, и она прекрасно работает. Привязки очень функциональны и не очень Python. Я видел несколько попыток сделать их более Pythonic: https://github.com/alexhayes/pythonic-pdflib Вы можете использовать: open_pdi_document().

Похоже, вы захотите сделать поиск подсветки какого-то рода:

http://www.pdflib.com/tet-cookbook/tet-and-pdflib/highlight-search-terms/