хотя в code with me не переключиться на браузер к сожалению

я все еще жду, когда боты смогут в гс говорить ты о чем

не думаю, что дождёмся

юзерботы разве что

((

а было бы классно

Всем привет. Цель такая: хочу спарсить текст из пдф, но если парсить весь текст, то там много мусора получается. Решил обрезать пдф следующим кодом:

from PyPDF2 import PdfFileWriter, PdfFileReader

with open("/home/backhub/PycharmProjects/PDFParser/fol/e084_1.pdf", "rb") as in_f:
    input1 = PdfFileReader(in_f)
    output = PdfFileWriter()

    numPages = input1.getNumPages()
    print("document has %s pages." % numPages)

    for i in range(numPages):
        page = input1.getPage(i)
        print(page.mediaBox.getUpperRight_x(), page.mediaBox.getUpperRight_y())
        page.trimBox.lowerLeft = (250, 250)
        page.trimBox.upperRight = (225, 225)
        page.cropBox.lowerLeft = (10, 270)
        page.cropBox.upperRight = (1000, 775)
        output.addPage(page)

    with open("out.pdf", "wb") as out_f:
        output.write(out_f)

Пдф обрезал, но при парсинге все равно выскакивает текст такой же как на оригинале файла.
Может у кого-нибудь есть мысли на этот счет?
(Парсил с помощью pdfminer и PyPDF2)

Это Бенз

Сколько тестов написал еще спроси)

0 )

у меня вопрос а разве можно парсить текст в пдф и зачем?

парсить текст в пдф, это как ?

Всем привет. Цель такая: хочу спарсить текст из пдф, но если парсить весь текст, то там много мусора получается. Решил обрезать пдф следующим кодом:

from PyPDF2 import PdfFileWriter, PdfFileReader

with open("/home/backhub/PycharmProjects/PDFParser/fol/e084_1.pdf", "rb") as in_f:
    input1 = PdfFileReader(in_f)
    output = PdfFileWriter()

    numPages = input1.getNumPages()
    print("document has %s pages." % numPages)

    for i in range(numPages):
        page = input1.getPage(i)
        print(page.mediaBox.getUpperRight_x(), page.mediaBox.getUpperRight_y())
        page.trimBox.lowerLeft = (250, 250)
        page.trimBox.upperRight = (225, 225)
        page.cropBox.lowerLeft = (10, 270)
        page.cropBox.upperRight = (1000, 775)
        output.addPage(page)

    with open("out.pdf", "wb") as out_f:
        output.write(out_f)

Пдф обрезал, но при парсинге все равно выскакивает текст такой же как на оригинале файла.
Может у кого-нибудь есть мысли на этот счет?
(Парсил с помощью pdfminer и PyPDF2)

Если у тебя есть пдф файл, есть библиотеки позоляющие с ним работать, с их помощью получи нужный текст и парсь его как тебе нужно

понятно

не хочу созвон

При обработке поступивших извне документов часто нужно. Но не всегда нормально получается. Слишком развесистый это формат - pdf.

У меня был созвон на 6 часов.
Дебажили старый бэк на джаве