Skip to content

SCismycat/PDFParser

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

4 Commits
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

PDF解析器

代码说明

针对pdf数据进行解析,其中对pdf中的文字部分进行提取,对表格部分通过一定的规则识别表头,表头和内容拼接成文本格式,以空格进行分割;

使用方法

有两种使用方法,第一种使用Docker镜像,需要系统安装了Docker;第二种,假设已有了Python环境,可以通过直接执行代码或者通过脚本运行的方式进行使用。

方法1:使用Docker镜像

事先准备:

镜像已构建完成,需要安装Docker才能使用。
安装Docker,本Docker镜像是在windows上打的,如果存在不适配情况(例如需要在linux下使用),可以自己打镜像。
1. 切换到Dockerfile所在的目录
2. 执行docker build -t pdfparser:v1.0 .
完成后,使用docker imgaes查看即可。
  1. 加载镜像
    docker load -i pdf-parser.tar
  2. 查看镜像
    docker images 如果出现pdf-parser:v1.5为正常;
  3. 执行命令进行pdf解析
    docker run -it -v E:/MyProject/data/:/work/data/ -v E:/MyProject/parser:/work/parser --rm pdfparser:v1.5 /work/data/ /work/parser/ all
参数说明:
-v:第一个-v挂载的是待解析目录;第二个-v 加载的是解析完成后的输出目录;
--rm:后面跟的参数分别是pdfparser:v1.5(镜像名称)、/work/data/(刚刚挂载到镜像内数据目录)、/work/parser/(刚刚挂载到镜像内数据输出目录)、all(是全量处理还是增量处理,一般就是all)
4. 数据格式:
如:E:\MyProject\data是放数据的目录,E:\MyProject\data\a和E:\MyProject\data\b是放pdf的文件夹;  
则指定E:\MyProject\data,程序自动解析下面的子文件夹以及子文件夹下的pdf文件;
E:/MyProject/parser是解析后目录,所有解析后的excel全部放在该文件夹下。

方法2:基于已有的Python环境直接运行代码

事先准备:

安装Python环境,然后
pip install -r requirement.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/
  1. 直接使用代码;(不是很推荐)
    代码结构说明如下:
    src
    -- main.py:主函数,代码直接run需要修改注释的函数;
    -- PDFParser.py: 解析函数,对PDF进行解析;
    utils
    -- CombineExcel.py: 合并所有的Excel,合并到一个大的CSV文件;(Excel有行数限制,因此转CSV)

参数说明:

  • origin_path: 待解析PDF路径,为文件夹路径,程序自动寻找后缀为.pdf的文档;(假设:/pdf/1、/pdf/2、/pdf/3三个目录下有若干)PDF文档,则origin_path=/pdf/)

  • writer_path: excel写出路径;(假设想把文件放在/data/下,则填/data/就行,程序会把一个子目录下的所有pdf解析成excel)

  • deal_mode: 处理模式;参数有“all”和“increment”;all表示全量,increment表示当解析终止或失败后,增量对未处理pdf进行进一步处理;

  1. 通过命令行执行;(比较推荐)
1. 假设origin_path,writer_path分别位于:E:/datas/和 E:/parsed/;
2. 打开cmd命令行,切换到 PDFParser/src/文件夹;
    2.1 直接执行 python main.py E:/datas/ E:/parsed/ all,(解释:main.py后面跟的参数分别是源路径,写出路径,和处理模式)
    2.2 等待程序处理完成即可

Releases

No releases published

Packages

No packages published