PDF Reading

[katit]

Есть тут кто-то кто сталкивался с такого рода задачами?

Типа есть PDF Invoice, надо его распарсить и получить данные.

[self]

Есть тут кто-то кто сталкивался с такого рода задачами?

Типа есть PDF Invoice, надо его распарсить и получить данные.

Сочувствую. Читайте

https://nanonets.com/blog/pdf-parser/

[katit]

Да читал я уже ето.. Больше интересует если кто-то владеет инфой с "первых рук" так сказать, кто делал чтоб проконсультироваться.

[Работяга]

Есть тут кто-то кто сталкивался с такого рода задачами?

Типа есть PDF Invoice, надо его распарсить и получить данные.

Код: Выделить всё

# Install PyMuPDF
# pip install PyMuPDF

import fitz  # PyMuPDF

# string path to the PDF file
# file_path

def extract_text_from_pdf(file_path):
    with fitz.open(file_path) as doc:
        text = ""
        for page in doc:
            text += page.get_text()
        return text

pdf_text = extract_text_from_pdf('example.pdf')
print(pdf_text)

[katit]

Есть тут кто-то кто сталкивался с такого рода задачами?

Типа есть PDF Invoice, надо его распарсить и получить данные.

Код: Выделить всё

# Install PyMuPDF
# pip install PyMuPDF

import fitz  # PyMuPDF

# string path to the PDF file
# file_path

def extract_text_from_pdf(file_path):
    with fitz.open(file_path) as doc:
        text = ""
        for page in doc:
            text += page.get_text()
        return text

pdf_text = extract_text_from_pdf('example.pdf')
print(pdf_text)

Супер! Проблема решена!

[katit]

Если что это сарказм был.

Те товарищи по ссылке сверху те документы что я им скормил тоже на 2+ справились

[Работяга]

Если что это сарказм был.

Те товарищи по ссылке сверху те документы что я им скормил тоже на 2+ справились

А вы хотеле, что бы вам эпп забабахали с PyTorch или TensorFlow, еще подогнали UI с Zoning for free Это тоже был сарказм.

[katit]

Я хотел чтобы тот кто это делал хотя бы в трех строчках описал суть проблемы

А если есть те кто этим занимается и может сделать так я и заплатить могу с удовольствием

[Работяга]

Я хотел чтобы тот кто это делал хотя бы в трех строчках описал суть проблемы

А если есть те кто этим занимается и может сделать так я и заплатить могу с удовольствием

Если цена вопроса нет проблем, то давайте в личке пообщаемся

[self]

Я хотел чтобы тот кто это делал хотя бы в трех строчках описал суть проблемы

А если есть те кто этим занимается и может сделать так я и заплатить могу с удовольствием

Проблема очень проста. PDF - изначально очень плохо структурированный формат. В худшем случае - это одна картинка в формате TIFF (обычно из сканера такое выходит).
Чтоб разoбрать, что изображено на картинке нужен хороший AI, да и тот не гарантирует.

Так что в общем случае хорошего ответа на ваш вопрос нет. Нужно смотреть конкретно на именно ваши входящие файлы и подбирать под них софт методом проб и ошибок.

[Mad Hatter]

Когда-то на такой задаче Abby поднялся

[alex_127]

Когда-то на такой задаче Abby поднялся

Это по принципу - есть ли хороший Парсер Для ворда - А То У Микросовта Такого Нет...

[self]

Когда-то на такой задаче Abby поднялся

Ну с тех пор OCR далеко продвинулся. Даже мой дешевый сканер имеет опцию Save as Searchable PDF, когда вместе с изображением сохраняет индекс из распознанных слов.

[Mad Hatter]

Когда-то на такой задаче Abby поднялся

Ну с тех пор OCR далеко продвинулся. Даже мой дешевый сканер имеет опцию Save as Searchable PDF, когда вместе с изображением сохраняет индекс из распознанных слов.

Конечно. В то время не было ML OCR как сейчас.

[Работяга]

Когда-то на такой задаче Abby поднялся

Ну с тех пор OCR далеко продвинулся. Даже мой дешевый сканер имеет опцию Save as Searchable PDF, когда вместе с изображением сохраняет индекс из распознанных слов.

Ну если бы всё так было просто и легко, то моя компания не тратила бы по 150-200 миллионов в год на разработку OCR, а AWS вообще придлагал бесплатную опцию в пакете услуг и не чарджил чуть ли за каждое слово, плюс это стоимость будет капать на тренировке, а не в риальной жизне.

[katit]

Когда-то на такой задаче Abby поднялся

Ну с тех пор OCR далеко продвинулся. Даже мой дешевый сканер имеет опцию Save as Searchable PDF, когда вместе с изображением сохраняет индекс из распознанных слов.

У меня нет проблем сохранить PDF в текст. Задача другого плана, но в общем ситуацию я понял, keywords выучил попробуем покопать в сторону aws