PDFMiner

PDFMiner funciona tomando primero el contenido de un archivo PDF y convertirlo a un formato más maleable como HTML.
A partir de ahí, el texto y los datos se extrajeron y analizaron, y en base a las reglas predefinidas separados y presentados al usuario o enviados a otros más potentes herramientas de análisis de datos.
Si el análisis de texto no es lo que va a hacer, puede configurar fácilmente PDFMiner para extraer simplemente o simplemente convertir datos PDF también.
Sus funciones pueden trabajar por separado el uno del otro y permitir un uso más amplio espectro gracias a él

Características .

• 100% Python código, sin C o C ++
• analizar archivos PDF
• Analizar archivos PDF
• Convertir archivos PDF a otros formatos
• extractora ToC
• Obtener única etiquetado de contenido
• El apoyo a un gran número de características de texto PDF
• El apoyo a un gran número de tipos de fuentes dentro de archivos PDF
• cifrado básico (RC4) el apoyo

¿Qué hay de nuevo en esta versión:

• método PDFDocument.initialize () se elimina y ya no es necesario . Una contraseña se da como un argumento de un constructor PdfDocument.

¿Qué hay de nuevo en la versión 20110515:.

• cambios en la API
• clase LTPolygon fue rebautizado como LTCurve.

¿Qué hay de nuevo en la versión 20110227:.

• Corrección de errores y mejoras de análisis de diseño

¿Qué hay de nuevo en la versión 20101226:.

• Un par de correcciones de errores y mejoras menores

¿Qué hay de nuevo en la versión 20101017:.

• Un par de correcciones de errores y mejoras de menor importancia

¿Qué hay de nuevo en la versión 20100424:.

• Corrección de errores y pequeñas mejoras en la extracción TOC

Requisitos

• Python 2.4 hasta 3

Limitaciones .

• PDFMiner puede ser 20 veces más lento que C / C ++ - software basado