PDF file olvasása pythonnal

Telepítés

Anaconda

conda install PyPDF2

conda install tika

Python

python3 -m pip install PyPDF2 // installáláa

python3 -m pip show PyPDF2 // ellenőrzés

python3 -m pip install tika

Állományból telepítés

python3 -m pip install c:\Users\User\Downloads\PyPDF4-1.27.0.tar.gz

In [20]:

# modul importálása
import PyPDF2 
    
# file objektum létrehozása (b: binális megnyítással) 
pdfFileObj = open(r'c:\Users\User\Documents\kl\sj_pdf\hozzajarulo_nyilatkozat_vedooltashoz.pdf', 'rb') 
    
# pdf kiolvasó objektum léterhozása 
pdfReader = PyPDF2.PdfFileReader(pdfFileObj) 
    
# lapszám kiírása 
print('A pdf file oldal száma :', pdfReader.numPages) 
    
# egy oldal megcímzése 
pageObj = pdfReader.getPage(0) 

print('---------------pdf tartalma ---------------')
    
# megcímzett oldal kiolvasása és kiírása 
print(pageObj.extractText()) 

print('---------------pdf információk ---------------')


information = pdfReader.getDocumentInfo()
number_of_pages = pdfReader.getNumPages()
print('pdf létrehozás ideje:', information['/CreationDate'])

txt = f"""
    Information about pdf
    Author: {information.author}
    Creator: {information.creator}
    Producer: {information.producer}
    Subject: {information.subject}
    Title: {information.title} 
    Number of pages: {number_of_pages}
    """

print(txt)
    
# pdf olvasás lezárása
pdfFileObj.close() 

A pdf file oldal száma : 1
---------------pdf tartalma ---------------

NYILTKOZAT
 
COVID
-

 

 
 
 

 
 
 
 
 
 
 

 

 
 
 
 
 
 

 

 
 
 
 
 
 

 
 
 

 
V


 

 
 
Igen
 
Nem
 
Van
-


-

 
 
 
Rendszeresen szed
-

 
 
 
Van
-


)?
 
 
 

-

 
 
 

e

 

-

 

 


 
 
 
Volt
-
e 
valamilyen akut 
beteg

 

 
 
 
Volt
-

 


)
 
 
 
Szenved
-


 
 
 
 

-




 
 
 
 
Volt
-


 
 
 
Szenved
-

 
 
 
Kapott
-

2
 

 
 
 
Jelenleg van
-

 
 
 

-
e?
 
 
 
Tervez
-

 
 
 
Szoptat
-
e?
 
 
 
 
D


 
 
 
 
 
 
 
 
           

 
 
 
 
 
 
 
 
 

 

---------------pdf információk ---------------
pdf létrehozás ideje: D:20210504162449+02'00'

    Information about pdf
    Author: None
    Creator: Microsoft® Word 2010
    Producer: Microsoft® Word 2010
    Subject: None
    Title: None 
    Number of pages: 1

In [27]:

# modul importálása
from tika import parser  
  
# pdf file megnyítása
parsed_pdf = parser.from_file(r'c:\Users\User\Documents\kl\sj_pdf\hozzajarulo_nyilatkozat_vedooltashoz.pdf')
#parsed_pdf = parser.from_file(r'c:\Users\User\Documents\kl\sj_pdf\02_04_21_Firefox_finomsagok.pdf')


#print(parsed_pdf.keys())  ## dict_keys(['metadata', 'content', 'status'])  
# pdf tartalom kinyerése szövegként
data = parsed_pdf['content'] 

print('---------------pdf tartalma ---------------')
  
# tartalom kiírása 
print(data)
  
print('---------------pdf információk ---------------')

print('pdf létrehozás ideje: ', parsed_pdf['metadata']['Creation-Date']) 
print('pdf oldalszám: ', parsed_pdf['metadata']['xmpTPg:NPages']) 
print('pdf gen. prg.: ', parsed_pdf['metadata']['xmp:CreatorTool']) 

# print(parsed_pdf['metadata'])

---------------pdf tartalma ---------------










































HOZZÁJÁRULÓ NYILTKOZAT 

COVID-19 fertőzés elleni vakcina beadásához 

 

 

Név:       Születési dátum: 

TAJ szám:      Lakcím: 

Telefonszám:      email cím: 

 

 

KÉREM VÁLASZOLJON AZ ALÁBBI KÉRDÉSEKRE! (Jelöljön be minden megfelelőt) 

 Igen Nem 

Van-e tartós, krónikus betegsége? (cukorbetegség, magas vérnyomás, 

asztma, szív-, vesebetegség stb.): 

  

Rendszeresen szed-e gyógyszert?   

Van-e bármilyen allergiája (élelmiszer, gyógyszer, egyéb)?   

Vérvétel vagy oltás során volt-e előzőleg rosszulléte?  
  

Védőoltás beadását követően volt-e anafilaxiás reakciója? 

(Megjegyzés: ismeretlen gyógyszer okozta anafilaxia kizáró ok, 

antibiotikumallergia, lázcsillapító allergia NEM!) 

  

Volt-e valamilyen akut betegsége az elmúlt 4 hétben?   

Volt-e lázas beteg az elmúlt 2 hétben? 

(Megjegyzés: akut lázas betegség kizáró ok) 

  

Szenved-e olyan autoimmun betegségben, melynek épp 

aktív fázisa zajlik?  
 

  

Az elmúlt 3 hónapban kapott-e az immunrendszerét gyengítő 

kezelést, mint például: kortizon, prednizon, egyéb 

szteroidok, immunbiológiai készítmények vagy 

daganatellenes szerek, ill. sugárkezelést?  
 

  

Volt-e valaha görcsrohama, idegrendszeri problémája, bénulása?   

Szenved-e vérképzőszervi betegségben, fokozott vérzékenységben? 
  

Kapott-e védőoltást az elmúlt 2 hétben? 
  

Jelenleg van-e bármilyen panasza? 
  

Jelenleg várandós-e? 
  

Tervez-e várandóságot 2 hónapon belül? 
  

Szoptat-e? 
  

 

Dátum:…………………………… 

 

                 ………………………………………

         Aláírás 



---------------pdf információk ---------------
pdf létrehozás ideje:  2021-05-04T14:24:49Z
pdf oldalszám:  1
pdf gen. prg.:  Microsoft® Word 2010

In [ ]:

In [6]:

# extract_doc_info.py

from PyPDF2 import PdfFileReader

def extract_information(pdf_path):
    with open(pdf_path, 'rb') as f:
        pdf = PdfFileReader(f)
        information = pdf.getDocumentInfo()
        number_of_pages = pdf.getNumPages()

    txt = f"""
    Information about {pdf_path}: 

    Author: {information.author}
    Creator: {information.creator}
    Producer: {information.producer}
    Subject: {information.subject}
    Title: {information.title}
    Number of pages: {number_of_pages}
    """

    print(txt)
    return information

if __name__ == '__main__':
    path = r'c:\Users\User\Downloads\06_04_20_USB4.pdf'
    extract_information(path)

    Information about c:\Users\User\Downloads\06_04_20_USB4.pdf: 

    Author: 
    Creator: Scribus 1.5.5
    Producer: Scribus PDF Library 1.5.5
    Subject: 
    Title: 
    Number of pages: 3

In [ ]:

# pdf tartalom forgatás

from PyPDF4 import PdfFileReader, PdfFileWriter

def rotate_pages(pdf_path):
    pdf_writer = PdfFileWriter()
    pdf_reader = PdfFileReader(pdf_path)
    # elforgatás 90 fokkal jobbra
    page_1 = pdf_reader.getPage(0).rotateClockwise(90)
    pdf_writer.addPage(page_1)
    # elforgatás 90 fokkal balra
    page_2 = pdf_reader.getPage(1).rotateCounterClockwise(90)
    pdf_writer.addPage(page_2)
    # alap helyzetbe
    pdf_writer.addPage(pdf_reader.getPage(2))

    with open(r'c:\Users\User\Downloads\rotate_pages.pdf', 'wb') as fh:
        pdf_writer.write(fh)

if __name__ == '__main__':
    path = r'c:\Users\User\Downloads\06_04_20_USB4.pdf'
    rotate_pages(path)

In [28]:

# pdf_összefüzés

from PyPDF2 import PdfFileReader, PdfFileWriter

def merge_pdfs(paths, output):
    pdf_writer = PdfFileWriter()

    for path in paths:
        pdf_reader = PdfFileReader(path)
        for page in range(pdf_reader.getNumPages()):
            # Add each page to the writer object
            pdf_writer.addPage(pdf_reader.getPage(page))

    # Write out the merged PDF
    with open(output, 'wb') as out:
        pdf_writer.write(out)

if __name__ == '__main__':
    paths = [r'c:\Users\User\Downloads\06_04_20_USB4.pdf', r'c:\Users\User\Downloads\01_03_20_IPTV_Streaming.pdf']
    merge_pdfs(paths, output=r'c:\Users\User\Downloads\merged.pdf')

In [29]:

# pdf kivágás / oldalakra szét darabolás

from PyPDF2 import PdfFileReader, PdfFileWriter

def split(path, name_of_split):
    pdf = PdfFileReader(path)
    for page in range(pdf.getNumPages()):
        pdf_writer = PdfFileWriter()
        pdf_writer.addPage(pdf.getPage(page))

        output = f'{name_of_split}{page}.pdf'
        with open(output, 'wb') as output_pdf:
            pdf_writer.write(output_pdf)

if __name__ == '__main__':
    path = r'c:\Users\User\Downloads\06_04_20_USB4.pdf'
    split(path, r'c:\Users\User\Downloads\jupyter_page.pdf')

In [ ]:

# pdf jelszavas védelem
from PyPDF4 import PdfFileWriter, PdfFileReader

def add_encryption(input_pdf, output_pdf, password):
    pdf_writer = PdfFileWriter()
    pdf_reader = PdfFileReader(input_pdf)

    for page in range(pdf_reader.getNumPages()):
        pdf_writer.addPage(pdf_reader.getPage(page))

    pdf_writer.encrypt(user_pwd=password, owner_pwd=None, use_128bit=True)

    with open(output_pdf, 'wb') as fh:
        pdf_writer.write(fh)
        
## Jelszavas megnyítás
# pdf_reader.decrypt(password="Miérdekel?")
# pdf_reader.getPage(0)


if __name__ == '__main__':
    add_encryption(input_pdf=r'c:\Users\User\Downloads\06_04_20_USB4.pdf',
                   output_pdf=r'c:\Users\User\Downloads\06_04_20_USB4_encrypt.pdf',
                   password='Miérdekel?')

In [ ]:

#python verzió lekérése (jupyter-ben)
import sys
from pathlib import Path

!{sys.executable} --version
# Python 3.7.7

print('\n', Path.home())

In [30]:

import PyPDF2
pdfFileObj = open(r'c:\Users\User\Downloads\06_04_20_USB4.pdf', 'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
print('oldalszám', pdfReader.numPages)
pageObj = pdfReader.getPage(0)
pageObj.extractText()
pdfReader.getPage(1-1).extractText()  ## második oldaltol az utolsóig beolvasás

oldalszám 3

Out[30]:

'SFOlqx{RV#Pdjd}lqhSdjh#4Mœq#d}#XVE7$#Mœq#d}#XVE7$'

In [ ]:

import PyPDF2, os

# Get all the PDF filenames. / keresd ki összes PDF fájlnevet.
pdfFiles = []
for filename in os.listdir('.'):
    if filename.endswith('.pdf'):
        pdfFiles.append(filename)
pdfFiles.sort(key=str.lower)

# Loop through all the PDF files. / járjuk végig az összes PDF fájlt.
for filename in pdfFiles:
    pdfFileObj = open(filename, 'rb')
    pdfReader = PyPDF2.PdfFileReader(pdfFileObj)

# Loop through all the pages (except the first) and add them. / járjuk végig az összes oldalt (az első kivételével), és adja hozzá őket.
    for pageNum in range(1, pdfReader.numPages):
        pageObj = pdfReader.getPage(pageNum)
        pdfWriter.addPage(pageObj)


# Save the resulting PDF to a file. / Mentsd el a kapott PDF fájlt.
pdfOutput = open('all_sources.pdf', 'wb')
pdfWriter.write(pdfOutput)
pdfOutput.close()

In [32]:

import os
from os.path import isfile, join
import PyPDF2
"""If running locally, set these variables to your local directories.
"""
pdf_dir = r"c:/Users/User/Documents/kl/sj_pdf"
txt_dir = r"c:/Users/User/Documents/kl/sj_pdf"
    
"""Note: Uses a generator expression.
Rerun the cell if you restart the loop below.
"""
corpus = (f for f in os.listdir(pdf_dir) if not f.startswith('.') and isfile(join(pdf_dir, f)) and f.endswith('.pdf'))

"""The documentation for PyPDF2 is minimal. 
For this pattern, I followed the syntax at 
https://automatetheboringstuff.com/chapter13/ and
https://github.com/msaxton/iliff_review/blob/master/code/atla_pdfConvert.py
"""

for filename in corpus:
    print(filename)
    # Open the PDF and load as PyPDF2 Reader object.
    pdf = open(join(pdf_dir, filename), mode='rb')
    pdfReader = PyPDF2.PdfFileReader(pdf,strict=False)
    
    # Loop through the pages, extract the text, and write each page to individual file.
    for page in range(0, pdfReader.numPages):
        pageObj = pdfReader.getPage(page)
        text = pageObj.extractText()   #.encode('ascii', 'ignore')
        
        # Compile the page name. Add one because Python counts from 0.
        page_name = "{}-page{}.txt".format(filename[:-4], page+1)

        # Write to each page to file
        with open(join(txt_dir, page_name), mode="w", encoding='utf-8') as o:
            o.write(text)
            
"""
    try:
        pdf_writer = PyPDF4.PdfFileWriter()
        pdf_writer.addPage(pdf.getPage(page))
        output = name_of_split + '_f'+str(page)+'.pdf'
        with open(output, 'wb') as output_pdf:
            pdf_writer.write(output_pdf)
    except Exception as e:
        print('Exception:', output,e,output_pdf)

"""

02_04_21_Firefox_finomsagok.pdf
02_04_21_Firefox_finomsagok2.pdf
hozzajarulo_nyilatkozat_vedooltashoz.pdf

Out[32]:

"\n    try:\n        pdf_writer = PyPDF4.PdfFileWriter()\n        pdf_writer.addPage(pdf.getPage(page))\n        output = name_of_split + '_f'+str(page)+'.pdf'\n        with open(output, 'wb') as output_pdf:\n            pdf_writer.write(output_pdf)\n    except Exception as e:\n        print('Exception:', output,e,output_pdf)\n\n"

In [ ]:

## Angol karakterek csoportosítása
whitespace = ' \t\n\r\v\f'
ascii_lowercase = 'abcdefghijklmnopqrstuvwxyz'
ascii_uppercase = 'ABCDEFGHIJKLMNOPQRSTUVWXYZ'
ascii_letters = ascii_lowercase + ascii_uppercase
digits = '0123456789'
hexdigits = digits + 'abcdef' + 'ABCDEF'
octdigits = '01234567'
punctuation = r"""!"#$%&'()*+,-./:;<=>?@[\]^_`{|}~"""
printable = digits + ascii_letters + punctuation + whitespace

Python csomag telepítés és egyéb műveletek:
C:\Users\User\Anaconda3\python.exe

python.exe -m pip install Csomag
python.exe -m pip show Csomag
python.exe -m pip uninstall Csomag
python.exe -m pip install --username Csomag 
python.exe -m pip install c:\Users\User\Downloads\PyPDF4-1.27.0.tar.gz

telepitett elemek listája:
python.exe -m pip list 

>>> import Csomag

-----
Conda Installálási parancsok: 
 conda update -y --all
 conda install -y line_profiler memory_profiler
 conda install -y opencv libopencv py-opencv
 conda install -y NumPy SciPy matplotlib pandas
 
Conda felesleges csomagok törlése:
 conda clean --packages 

IT, BI, DWH, DM, AI

Keresés ebben a blogban

PDF file olvasása pythonnal

Telepítés

Anaconda

Python

Állományból telepítés

Megjegyzések

Megjegyzés küldése