CivilのKeTCindy教室: PDFのテキスト化

■PDFのテキスト化のpythonコード例1

import fitz # PyMuPDF

import pytesseract

from PIL import Image

import io

# Tesseractのインストールパスを指定（例: Windowsの場合）

# pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

def pdf_to_text(pdf_path, language='eng'):

# PDFを開く

pdf_document = fitz.open(pdf_path)

text = ""

#text = pdf_to_text(pdf_path, language='eng')

# 各ページごとに画像に変換し、OCRでテキストを抽出

for page_num in range(pdf_document.page_count):

page = pdf_document[page_num]

# PDFページを画像にレンダリング

pix = page.get_pixmap(dpi=300)

img = Image.open(io.BytesIO(pix.tobytes()))

# 画像からテキストを抽出

page_text = pytesseract.image_to_string(img, lang=language)

text += page_text + "\n\n" # ページごとに改行を追加

pdf_document.close()

# 全角を半角に変換

#text = text.replace('’', "'") # 全角アポストロフィ → 半角アポストロフィ

text = text.replace('’', "'").replace('“', '"').replace('”', '"') # 必要に応じて追加

return text

# 使用例

pdf_path = 'sample.pdf'

# 'eng'は英語, 'jpn'は日本語, 'eng+jpn'は英語と日本語の両方

#text = pdf_to_text(pdf_path, language='eng+jpn')

text = pdf_to_text(pdf_path, language='eng')

print(text) #テキストの表示。必要な場合はファイル出力に

=======
■PDFのテキスト化のpythonコード例2

import fitz # PyMuPDF

import pytesseract

from PIL import Image

import io

# Tesseractのインストールパスを指定（例: Windowsの場合）

# pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

def pdf_to_text(pdf_path, language='eng'):

# PDFを開く

pdf_document = fitz.open(pdf_path)

text = ""

# 各ページごとに画像に変換し、OCRでテキストを抽出

for page_num in range(pdf_document.page_count):

page = pdf_document[page_num]

# PDFページを画像にレンダリング

pix = page.get_pixmap(dpi=300)

img = Image.open(io.BytesIO(pix.tobytes()))

# 画像からテキストを抽出

page_text = pytesseract.image_to_string(img, lang=language)

text += page_text + "\n\n" # ページごとに改行を追加

pdf_document.close()

# 全角を半角に変換

# text = text.replace('’', "'").replace('“', '"').replace('”', '"') # 必要に応じて追加

return text

# 全角の句読点や記号を半角に変換する関数

def convert_fullwidth_to_halfwidth(text):

text = text.replace('，', ',') # 全角コンマ → 半角カンマ

text = text.replace('。', '.') # 全角ピリオド → 半角ピリオド

text = text.replace('：', ':') # 全角コロン → 半角コロン

text = text.replace('；', ';') # 全角セミコロン → 半角セミコロン

text = text.replace('！', '!') # 全角感嘆符 → 半角感嘆符

text = text.replace('？', '?') # 全角疑問符 → 半角疑問符

text = text.replace('’', "'") # 全角アポストロフィ → 半角アポストロフィ

text = text.replace('“', '"') # 全角二重引用符始 → 半角二重引用符始

text = text.replace('”', '"') # 全角二重引用符終 → 半角二重引用符終

text = text.replace('（', '(') # 全角括弧開 → 半角括弧開

text = text.replace('）', ')') # 全角括弧閉 → 半角括弧閉

text = text.replace('［', '[') # 全角角括弧開 → 半角角括弧開

text = text.replace('］', ']') # 全角角括弧閉 → 半角角括弧閉

text = text.replace('｛', '{') # 全角波括弧開 → 半角波括弧開

text = text.replace('｝', '}') # 全角波括弧閉 → 半角波括弧閉

text = text.replace('・', '･') # 全角中黒 → 半角中黒

text = text.replace('～', '~') # 全角チルダ → 半角チルダ

text = text.replace('　', ' ') # 全角スペース → 半角スペース

return text

# 使用例

# PDFからテキストを抽出し、全角を半角に変換

pdf_path = 'sample.pdf'

text = pdf_to_text(pdf_path, language='eng+jpn')

text = convert_fullwidth_to_halfwidth(text)

print(text)

メニュー

PDFのテキスト化