PDFQueryを使用してPDFをスクラップするのは初めてです。PDFQuery:要素が配置されているページ番号
私がする必要があるのは、いくつかのページを含む価格表から価格を取得することです。私はPDFQueryに製品コードを渡したいのです。コードを見つけて価格を返すべきです。問題は、Githubページの最初の例を使用するとテキストの位置がわかりますが、「名前がページ上のどこにあるのか、どのページにいるのかわからないことに注意してください」ということが明らかです。それは私の価格表でのケースですが、他のすべての例ではページ番号(LTPage[pageid=1]
)を指定していますが、私はどこにページ番号があるのかはわかりません。
ページ番号を指定しないと、すべてのページの同じ場所にあるすべてのテキストが返されます。
また、コードが "92005"、 "92005C"、 "92005G"などのコードになる可能性があるので、関数を追加しました。:contains
を単独で使用してもあまり役に立ちません。
要素があるページを選択しようとしましたが、JQuery .closest
を使用していますが、どちらも不運です。
私のコードは今、この権利のように見える(= IはPDFMiner documentationとPyQuery documentationを確認しかし、私は私を助け何も見えません。
import pdfquery
pdf = pdfquery.PDFQuery("tests/samples/priceList.pdf")
pdf.load()
code = "92005G"
def exactText():
element = str(vars(this))
text = str("u'" + code + "\\n'")
if text in element:
return True
return False
#This should work if i could select the page where the element is located
#page = pdf.pq('LTPage:contains("'+code+'")')
#pageNum = page.attr('pageid')
#Here I would replace the "8" with the page number i get, or remove the LTPage
#selector all together if i need to find the element first and then the page
label = pdf.pq('LTPage[page_index="8"] LTTextLineHorizontal:contains("'+code+'")').filter(exactText)
#Since we could use "JQuery selectors" i tried using ".closest", but it returns nothing
#page = label.closest('LTPage')
#pageNum = page.attr('pageid')
left_corner = float(label.attr('x0'))
bottom_corner = float(label.attr('y0'))
#Here I would replace the "8" with the page number i get
price = pdf.pq('LTPage[page_index="8"] LTTextLineHorizontal:in_bbox("%s, %s, %s, %s")' % (left_corner+110, bottom_corner, left_corner+140, bottom_corner+20)).text()
print price
すべてのヘルプは非常に感謝、男と女の子です!
こんにちは!やってみます!!!私は "PDF"の "すべてのページ"を通過するループで私の問題を "解決"したので、私は最初のページを検索....私didntは私が探していたものを見つける???ページ2などに行く....私はいつも私が探しているページを知っている....しかし、私はそれがパフォーマンスの問題があるかどうかわからない...私は200ページのPDFと出来た!あなたの答えは本当にありがとう!私はそれを試して、戻ってくる.... – aampudia