How to Extract Text Contents from PDF (part 1/3)

Demonstrates extracting text contents from PDF by hand, using basic UNIX tools only.

PDFMiner (PDF extraction tool in Python):
http://www.unixuser.org/~euske/python/pdfminer/

Category:

Education

Tags:

• pdf
• text
• extraction
• data
• mining
• programming
• unix
• awk
• pdfminer

[linus19741018]

テキストじゃなくて線とか円を取り出すには？

[yusukeshinyama]

@linus19741018 ページのcontent streamの中に m とか S とかいうコマンドが書かれています。これが図形の描画指令なので­、これを取り出せばOKです。PDFはPostScriptと同­様の描画モデルを使っていて、直線や曲線、円を区別しません。こ­れらはすべて3次のベジエ曲線で表現されています。ですが、色の­指定や線の太さ、クリッピングなどがあるので、データを取り出し­ても実際の画像を描画するのは結構大変です。

[cultwho]

I can you please use this to fix my automobile insurance papers? My insurer forgot to send me the current ones and the date is expired, I need them to get out of my ticket. I have to go to court in sex hours

[PriestBurn]

@66georgs

oh, did PDF mean fun to you until you watched this vid?

[amything]

Thanks for demonstration! What keyboard are you using? :)

[linus19741018]

@yusukeshinyama

お礼が遅くなりました。ベジェ曲線として保存されているというこ­とですね。パーサとかテキスト形式のベクターフォーマットに変換­するツールとかあればなあ。

[66georgs]

very boring video..