質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

ただいまの
回答率

89.87%

pdfminer.six付属のpdf2txt.pyを使用してpdf文書からテキスト抽出したいが、コピペが可能にも関わらずテキスト抽出できないpdfがあり困っています。

受付中

回答 1

投稿

  • 評価
  • クリップ 1
  • VIEW 60

kumataro_

score 0

前提・実現したいこと

pdfminer.six付属のpdf2txt.pyを使用してpdf文書からテキスト抽出したいが、コピペが可能にも関わらずテキスト抽出できないpdfがあり困っています。
最終的な目標はhtml等の座標情報付のテキスト変換です。

発生している問題・エラーメッセージ

[テキスト抽出できない文書]
https://jicpa.or.jp/specialized_field/publication/files/2-8-82-2-120615.pdf
テキスト抽出できない。
テキスト情報のコピー&ペーストが可能なため、なぜ抽出できないかが分からない。

[テキスト抽出できる文書]
https://www.fsa.go.jp/singi/singi_kigyou/tosin/20070215.pdf
テキスト抽出できる。

該当のソースコード

https://github.com/pdfminer/pdfminer.six/blob/develop/tools/pdf2txt.py

試したこと

python pdf2txt.py 2-8-82-2-120615.pdf
→ スクリーンには空白と矢印のみ表示され、テキスト抽出できていない。

python pdf2txt.py 20070215.pdf
→ スクリーンに抽出された文書が表示され、テキスト抽出できている。

python pdf2txt.py 2-8-82-2-120615.pdf -o 2-8-82-2-120615.html
→ テキスト抽出されないhtmlが出力される。

python pdf2txt.py 20070215.pdf -o 20070215.html
→ テキスト抽出されたhtmlが出力される。

補足情報(FW/ツールのバージョンなど)

[環境]
Windows10 Pro
WSL
Ubuntu 18.04

  • 気になる質問をクリップする

    クリップした質問は、後からいつでもマイページで確認できます。

    またクリップした質問に回答があった際、通知やメールを受け取ることができます。

    クリップを取り消します

  • 良い質問の評価を上げる

    以下のような質問は評価を上げましょう

    • 質問内容が明確
    • 自分も答えを知りたい
    • 質問者以外のユーザにも役立つ

    評価が高い質問は、TOPページの「注目」タブのフィードに表示されやすくなります。

    質問の評価を上げたことを取り消します

  • 評価を下げられる数の上限に達しました

    評価を下げることができません

    • 1日5回まで評価を下げられます
    • 1日に1ユーザに対して2回まで評価を下げられます

    質問の評価を下げる

    teratailでは下記のような質問を「具体的に困っていることがない質問」、「サイトポリシーに違反する質問」と定義し、推奨していません。

    • プログラミングに関係のない質問
    • やってほしいことだけを記載した丸投げの質問
    • 問題・課題が含まれていない質問
    • 意図的に内容が抹消された質問
    • 広告と受け取られるような投稿

    評価が下がると、TOPページの「アクティブ」「注目」タブのフィードに表示されにくくなります。

    質問の評価を下げたことを取り消します

    この機能は開放されていません

    評価を下げる条件を満たしてません

    評価を下げる理由を選択してください

    詳細な説明はこちら

    上記に当てはまらず、質問内容が明確になっていない質問には「情報の追加・修正依頼」機能からコメントをしてください。

    質問の評価を下げる機能の利用条件

    この機能を利用するためには、以下の事項を行う必要があります。

回答 1

0

テキスト抽出のみでいいのであればpdfboxで抽出できます。

pdf2txt.pyでは抽出できないものがあるぐらいしかわかりません。

wget https://www-eu.apache.org/dist/pdfbox/2.0.18/pdfbox-app-2.0.18.jar -O pdfbox-app.jar

wget https://jicpa.or.jp/specialized_field/publication/files/2-8-82-2-120615.pdf -O data.pdf

java -jar pdfbox-app.jar ExtractText -sort -encoding UTF-8 data.pdf

投稿

  • 回答の評価を上げる

    以下のような回答は評価を上げましょう

    • 正しい回答
    • わかりやすい回答
    • ためになる回答

    評価が高い回答ほどページの上位に表示されます。

  • 回答の評価を下げる

    下記のような回答は推奨されていません。

    • 間違っている回答
    • 質問の回答になっていない投稿
    • スパムや攻撃的な表現を用いた投稿

    評価を下げる際はその理由を明確に伝え、適切な回答に修正してもらいましょう。

15分調べてもわからないことは、teratailで質問しよう!

  • ただいまの回答率 89.87%
  • 質問をまとめることで、思考を整理して素早く解決
  • テンプレート機能で、簡単に質問をまとめられる

同じタグがついた質問を見る

  • トップ
  • Pythonに関する質問
  • pdfminer.six付属のpdf2txt.pyを使用してpdf文書からテキスト抽出したいが、コピペが可能にも関わらずテキスト抽出できないpdfがあり困っています。