Как извлечь данные из файлов PDF и Microsoft Office в MetaExtractor

Как извлечь данные из файлов PDF и Microsoft Office в MetaExtractor

Регистрация на форуме тут, о проблемах пишите сюда — alarforum@yandex.ru, проверяйте папку спам! Обязательно пройдите восстановить пароль

Вложения

Если сохранить как текст (можно бат-файл написать) — то можно макросом/скриптом уже из текста вытащить:

КАДАСТРОВАЯ
ВЫПИСКА
О
ЗЕМЕЛЬНОМ
УЧАСТКЕ
(выписка
из
государственного
кадастра
недвижимости)
11.10.2010
№
61/001/10-461985 КB.

1 Кадастровыйномер61:15:0600301:1045 2 Лист№1 3 Всеголистов: 8
Общиесведения4 Предыдущиеномера: 61:15:600301:664
6
Датавнесенияномеравгосударственныйк адастрнедвижимости: 02.11.2006 5 Единоеземлепользование7
Местоположениеустановленоотноситель ноориентира, расположенноговграницахучастка.
Почтовыйадресориентира: Ростовскаяобл, р-нКаменский, ТсОО"НовоеВремя", участки№28, №43, №54, №1г, №22г8 Категорияземель:

Я сам боюсь этого страшного слова Парсинг

Во вложении для информации примеры файлов ПДф и результат.
Таких страниц в файле до 20
Если надо получить несколько данных-то естественно через текст вам делать надо,таблицу вы через текст не возьмете

Вложения

> А слова и я боюсь:-)

Ага. Похоже на пирсинг

а нельзя например сделать так, чтобы из текстового документа выбирался текст, который находится между определенными словами, (например "1 Кадастровый номер " и до "2 Лист") и заносился в таблицу екселя?

в приложении текстовый файл, который получился при копировании из пдф

Вложения

если текст является постоянным (формат и количество строк всегда одинаковы). То делаете разбивку по столбцам и выбираете только те ячейки которые нужны.

А по моему вопросу никто ничего не подскажет? Подскажите хоть где это можно поискать.

Извлечение информации из PDF

25.09.2019 | Даниил Сурняев, г.Ростов-на-Дону |

Предположим у нас есть набор из 30-страничных pdf-документов, каждый из которых содержит в себе различные листы, подписанные клиентом, при оформлении кредита или любого другого продукта. И лишь один лист содержит информацию (ФИО, паспортные данные, мобильный телефон и др.), которую необходимо извлечь. С помощью пары библиотек в Python, возможно реализовать алгоритм, который будет искать информативный лист и извлекать из него необходимую информацию. В качестве примера, для реализации алгоритма будет использоваться следующая страница из pdf-файла, которая содержит в себе таблицу с заголовком «Анкета участника конференции»:

Как и всегда реализация алгоритма начинается с импорта необходимых библиотек:

Библиотека fitz и PIL помогут в загрузке pdf-файлов и последующем разбиении на отдельные страницы. На библиотеку pytesseract возлагается основная задача, именно она будет просматривать каждую страницу и находить необходимую информацию.

Для того чтобы загрузить pdf-файл и разбить его на отдельные страницы воспользуемся функцией get_page_from_pdf:

На вход функции (path_to_pdf) нам нужно указать расположение pdf-файла, который мы хотим обработать, для этого создадим переменную, с указанием пути:

После вызова функции мы получим массив, который состоит из отдельных страниц обрабатываемого файла, массив обозначим переменной list_image:

Если бы все документы содержали одинаковую структуру (последовательность листов в документе), нам осталось бы указать номер страницы в документе и получить необходимую информацию. Однако, в большинстве случаев, это не так и нам приходиться просматривать страницу за страницей, пока не найдем нужную. С помощью функции find_target_page будем осуществлять поиск необходимой страницы:

Как правило, каждая страница содержит заголовок, который характеризует к какому из пунктов относится страница, в данном примере: «Анкета участника конференции». В первый параметр (image) – указываем страницу из list_image, второй параметр (search_header) – содержит название заголовка, по которому будет осуществляться поиск необходимой страницы.

Далее реализуем функцию, которая извлечет необходимую информацию:

Функция get_info принимает на вход два параметра. Первый (page_text) — текст из страницы, которую функция find_target_page нашла по заголовку. Второй (search_object) – необходимая информация, которую хотим извлечь из текста. Реализация функции get_info зависит от формата страницы и расположения текста, таким образом, предобработку текста – строку с (prepare_text) необходимо переделать под конкретный пример.

Раннее, в переменную list_image постранично загрузили файл «Example.pdf». Осталось объединить реализованные функции, и обработать файл:

В цикле осуществляем поиск страницы, на наличие искомого заголовка с помощью функции find_target_page. Как только страница будет найдена, текст с этой страницы передаем на функцию get_info. Для начала найдем ФИО, для этого в параметр search_object передадим слово «фамилия», по которому алгоритм определит расположение искомого значения. Повторим процедуру, но уже для нахождения «контактный телефон». По завершении обработки, должен появиться следующий результат.

Резюме: для загрузки pdf-файла вам понадобится функция get_page_from_pdf. Если необходимо загрузить изображения (сканы документов), в этом поможет библиотека PIL, в интернете можно найти множество примеров, как это сделать. Для извлечения текста из картинки потребуется всего одна строчка кода:

Остальное – творческий процесс, ограниченный только вашими потребностями.

2021 год

Извлеките текстовые данные из файлов

В этом примере показано, как извлечь текстовые данные из текста, HTML, Microsoft® Word, PDF, CSV и файлы Microsoft Excel® и импортировать его в MATLAB® для анализа.

Обычно, самый легкий способ импортировать текстовые данные в MATLAB состоит в том, чтобы использовать extractFileText функция. Эта функция извлекает текстовые данные из текста, PDF, HTML и файлов Microsoft Word. Чтобы импортировать текст из CSV и файлов Microsoft Excel, используйте readtable . Чтобы извлечь текст из кода HTML, используйте extractHTMLText . Чтобы считать данные из форм PDF, используйте readPDFFormData .

Текстовый файл

Извлеките текст из sonnets.txt использование extractFileText . Файл sonnets.txt содержит сонеты Шекспира в простом тексте.

Просмотрите первый сонет путем извлечения текста между этими двумя заголовками " I "и " II ".

Для текстовых файлов, содержащих несколько документов, разделенных символами новой строки, используйте readlines функция.

Документ Microsoft Word

Извлеките текст из sonnets.docx использование extractFileText . Файл exampleSonnets.docx содержит сонеты Шекспира в документе Microsoft Word.

Просмотрите второй сонет путем извлечения текста между этими двумя заголовками " II "и " III ".

Пример документ Microsoft Word использует два символа новой строки между каждой линией. Чтобы заменить эти символы на один символ новой строки, используйте replace функция.

Файлы PDF

Извлеките текст из документов в формате PDF и данные из форм PDF.

Документ в формате PDF

Извлеките текст из sonnets.pdf использование extractFileText . Файл exampleSonnets.pdf содержит сонеты Шекспира в PDF.

Просмотрите третий сонет путем извлечения текста между этими двумя заголовками " III "и " IV ". Эта PDF имеет пробел перед каждым символом новой строки.

Форма PDF

Чтобы считать текстовые данные из форм PDF, используйте readPDFFormData . Функция возвращает struct, содержащий данные из полей формы PDF.

Извлеките текст из файлов HTML, кода HTML и сети.

Файл HTML

Чтобы извлечь текстовые данные из сохраненного файла HTML, используйте extractFileText .

Просмотрите дальше сонет путем извлечения текста между этими двумя заголовками "IV" и "V" .

КОД HTML

Чтобы извлечь текстовые данные из кода HTML строки, содержащей, используйте extractHTMLText .

С сети

Чтобы извлечь текстовые данные из веб-страницы, сначала считайте код HTML с помощью webread , и затем используйте extractHTMLText .

Проанализируйте КОД HTML

Чтобы найти конкретные элементы кода HTML, проанализируйте код с помощью htmlTree и используйте findElement . Проанализируйте код HTML и найдите все гиперссылки. Гиперссылки являются узлами с именем элемента "A" .

Просмотрите первые 10 поддеревьев и извлеките текст с помощью extractHTMLText .

Просмотрите извлеченный текст первых 10 гиперссылок.

Чтобы получить цели ссылки, используйте getAttributes и задайте атрибут "href" (ссылка гиперссылки). Получите цели ссылки первых 10 поддеревьев.

CSV и файлы Microsoft Excel

Чтобы извлечь текстовые данные из CSV и файлов Microsoft Excel, используйте readtable и извлеките текстовые данные из таблицы, которую они возвращают.

Извлеките табличные данные из factoryReposts.csv использование readtable функционируйте и просмотрите первые несколько строк таблицы.

Извлеките текстовые данные из event_narrative столбец и представление первые несколько строк.

Извлеките текст из нескольких файлов

Если ваши текстовые данные содержатся в нескольких файлах в папке, то можно импортировать текстовые данные в MATLAB с помощью datastore файла.

Создайте datastore файла для текстовых файлов сонета в качестве примера. Файлы в качестве примера называют " exampleSonnetN.txt ", где N количество сонета. Задайте имя файла с помощью подстановочного знака "*", чтобы найти все имена файлов этой структуры. Чтобы задать чтение функционируют, чтобы быть extractFileText , введите эту функцию к fileDatastore использование указателя на функцию.

Цикл по файлам в datastore и считал каждый текстовый файл.

Просмотрите извлеченный текст.

Смотрите также

Похожие темы

Открытый пример

У вас есть модифицированная версия этого примера. Вы хотите открыть этот пример со своими редактированиями?

Документация Text Analytics Toolbox

Поддержка

© 1994-2021 The MathWorks, Inc.

1. Если смысл перевода понятен, то лучше оставьте как есть и не придирайтесь к словам, синонимам и тому подобному. О вкусах не спорим.

2. Не дополняйте перевод комментариями “от себя”. В исправлении не должно появляться дополнительных смыслов и комментариев, отсутствующих в оригинале. Такие правки не получится интегрировать в алгоритме автоматического перевода.

3. Сохраняйте структуру оригинального текста — например, не разбивайте одно предложение на два.

4. Не имеет смысла однотипное исправление перевода какого-то термина во всех предложениях. Исправляйте только в одном месте. Когда Вашу правку одобрят, это исправление будет алгоритмически распространено и на другие части документации.

5. По иным вопросам, например если надо исправить заблокированное для перевода слово, обратитесь к редакторам через форму технической поддержки.

Возможности PDF файлов: работа с текстом и извлечение данных

Необходимо скопировать текст из документа PDF или переформатировать весь файл в TXT? Для решения такой задачи вам потребуется специальная программа или подходящий онлайн-сервис. В этой статье мы расскажем, как быстро перевести ПДФ в текст с помощью этих двух способов. С подробной инструкцией по извлечению данных вы можете ознакомиться по ссылке: https://pdf-editor.su/kak-kopirovat-tekst-iz-pdf-fajla.php

Как извлечь текст из ПДФ в программе PDF Commander

PDF Commander поможет переформатировать ПДФ-документ или извлечь конкретные текстовые данные из него. Скачать приложение вы можете по ссылке выше. Редактор работает на Windows 10, 8, 7. По завершении инсталляции запустите софт и следуйте пошаговому алгоритму:

Шаг 1. Откройте PDF-документ

Нажмите на кнопку «Открыть PDF» и укажите путь к документу на жестком диске. Если вам необходимо вытащить текст из нескольких файлов, то кликните «Объединить в PDF». Импортируйте документы и настройте их последовательность.

Стартовое меню редактора

Шаг 2. Извлеките текст

Есть несколько вариантов, как можно вытащить текст из ПДФ:

Если вам требуется извлечь данные из всего документа, то нажмите «Файл» — «Экспорт в другой формат». Выберите тип медиа «Текстовые документы», введите название и укажите папку для сохранения материала.

Опция отмечена на картинке

Чтобы извлечь текст из определенного листа, кликните по значку «Миниатюры страницы». Найдите нужный лист и щелкните по нему правой кнопкой мыши. Выберите опцию «Экспорт страницы». Установите желаемый формат и сохраните итог на жесткий диск.

Панель управления страницами

Открыть полученный файл можно в Блокноте, Microsoft Word или другом текстовом редакторе. Вы сможете редактировать и копировать извлеченный текст.

Как скопировать текст из ПДФ файла в браузере

Вы можете извлечь текстовые данные прямо в интернет-браузере. Для этого вам потребуется простой онлайн-сервис, например, PDF Candy. С помощью данного ресурса можно переформатировать файлы PDF в TXT. Доступна работа с документами с жесткого диска или облачного хранилища.

Из недостатков ресурса можно отметить, что портал позволит обработать только документы размером менее 100 МБ. Также платформа ограничивает количество операций в день.

Чтобы распознать PDF и извлечь содержимое страниц, перейдите на сайт сервиса и следуйте инструкции:

1. Нажмите на кнопку «Добавить файл» или кликните по значку подходящего облачного хранилища. Также можно перетащить материал из Проводника.

2. Дождитесь завершения обработки и щелкните «Скачать файл». Укажите папку на диске и введите название документа. Также можно загрузить итог на Google Drive и Dropbox или получить ссылку на файл.

Заключение

Теперь вы знаете, как скопировать текст из ПДФ за считанные минуты. Вы можете воспользоваться онлайн-сервисами, однако они ограничивают количество ежедневных операций и зависят от качества сети.

Оптимальным решением для извлечения текста будет программа PDF Commander. С ее помощью можно переформатировать весь документ или сохранить содержание отдельных листов. Также в приложении можно оформлять PDF с нуля, объединять несколько медиафайлов, кадрировать страницы, ставить штампы и цифровые подписи. Скачайте редактор прямо сейчас и получите доступ к инструментам для редактирования ПДФ!