Этот проект создан как набор примеров кода для иллюстрации статьи на habr.com.
Проверка содержимого PDF-файлов средствами Python и pdfminer. Часть 1
Проверка содержимого PDF-файлов средствами Python и pdfminer. Часть 2
Настройка проекта необходима, только если вы хотите самостоятельно запускать примеры.
Проект проверялся с Python 3.12, однако должен быть совместим с версиями, начиная с 3.9.
Рекомендуется создать виртуальную среду для Python (в командной строке или с помощью IDE) и в ней установить необходимые пакеты:
python -m venv .venv
source .venv/bin/activate
# Для Windows: .venv\Scripts\activate.bat или .venv\Scripts\activate.ps1
pip install -r requirements.txt
Все скрипты, в конце которых есть раздел __main__, можно запускать по-отдельности.
Для создания отчётов могут потребоваться шрифты из пакета Liberation. В Ubuntu они могут быть предустановлены из дистрибутива. В других системах (включая Windows) они обычно устанавливаются вместе с LibreOffice. Но их можно установить отдельно, или можно заменить их на любые другие доступные в системе шрифты - для этого потребуется отредактировать пути в файле makereports/fontstyles.py.
Для запуска скриптов из командной строки без IDE потребуется вручную добавить папку с кодом проекта в PYTHONPATH:
export PYTHONPATH=$PYTHONPATH:(путь к папке src)
# В Windows: SET PYTHONPATH=%PYTHONPATH%;(путь к папке src)
В случае, если скрипт зависит от результатов работы другого скрипта, это указывается в описании в шапке файла.
Образцы тестов добавлены для демонстрации работы с page object.
Для их запуска:
- нужно сформировать отчёт, который будет тестироваться, используя скрипт makereports/tablereport.py,
- запустить команду pytest из папки проекта
- разумеется, также можно запускать тесты, используя функциональность IDE
(Здесь перечислены только запускаемые скрипты и тесты)
Не содержит запускаемых скриптов. Сюда будут сохраняться создаваемые скриптами PDF-файлы.
- chartsreport.py - создаёт отчёт с графиками, нужный для демонстрации обрезки объектов
- figures.py - создаёт PDF-файл с картинкой, который нужен в примерах с извлечением картинки
- tablereport.py - создаёт отчёт с табличными данными, нужный для многих примеров в проекте
- tests - папка с примерами тестов, запускаемыми через pytest
- extract_metadata.py - пример извлечения метаданных из документа
- extract_picture.py - пример извлечения растровой картинки
- extract_picture_xobject.py - пример извлечения растровой картинки для более старых версий pdfminer, и также скрипт демонстрирует доступ к ресурсам страницы
- list_all_elements.py - получение и вывод на консоль всех элементов страницы при помощи PDFQuery
- list_all_elements_raw_pdfminer.py - получение и вывод на консоль всех элементов страницы при помощи pdfminer без использования PDFQuery
- save_page_stream.py - сохраняет раскодированный поток данных страницы в виде текстового файла
- time_measurement.py - измеряет производительность парсинга для разных настроек парсера