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!

新規登録して質問してみよう
ただいま回答率
85.37%
Google Colaboratory

Google Colaboratoryとは、無償のJupyterノートブック環境。教育や研究機関の機械学習の普及のためのGoogleの研究プロジェクトです。PythonやNumpyといった機械学習で要する大方の環境がすでに構築されており、コードの記述・実行、解析の保存・共有などが可能です。

PDF

PDF(Portable Document Format)とはISOによって国際標準として制定されている電子ドキュメント用の拡張子です。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

Q&A

解決済

1回答

3516閲覧

ColaboratoryでPDFをテキスト変換する

RikuOomori

総合スコア5

Google Colaboratory

Google Colaboratoryとは、無償のJupyterノートブック環境。教育や研究機関の機械学習の普及のためのGoogleの研究プロジェクトです。PythonやNumpyといった機械学習で要する大方の環境がすでに構築されており、コードの記述・実行、解析の保存・共有などが可能です。

PDF

PDF(Portable Document Format)とはISOによって国際標準として制定されている電子ドキュメント用の拡張子です。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

0グッド

1クリップ

投稿2020/02/17 05:52

前提・実現したいこと

Colaboratoryで適時開示のPDFをテキスト化したいです。
下記サイトをそのまま実行したところエラーになってしまいました。
https://qiita.com/Fortinbras/items/b892841109487f0f666b

発生している問題・エラーメッセージ

Collecting pdfminer.six Downloading https://files.pythonhosted.org/packages/60/0a/5806bd37362bceebb88cff526177c308276b3e0696611564ed01d67b8c6b/pdfminer.six-20200124-py3-none-any.whl (5.6MB) |████████████████████████████████| 5.6MB 2.9MB/s Collecting pycryptodome Downloading https://files.pythonhosted.org/packages/54/e4/72132c31a4cedc58848615502c06cedcce1e1ff703b4c506a7171f005a75/pycryptodome-3.9.6-cp36-cp36m-manylinux1_x86_64.whl (13.7MB) |████████████████████████████████| 13.7MB 30.5MB/s Requirement already satisfied: sortedcontainers in /usr/local/lib/python3.6/dist-packages (from pdfminer.six) (2.1.0) Requirement already satisfied: chardet; python_version > "3.0" in /usr/local/lib/python3.6/dist-packages (from pdfminer.six) (3.0.4) Installing collected packages: pycryptodome, pdfminer.six Successfully installed pdfminer.six-20200124 pycryptodome-3.9.6 /usr/local/bin/pdf2txt.py: line 2: $'A command line tool for extracting text and images from PDF and\noutput it to plain text, html, xml or tags.': command not found /usr/local/bin/pdf2txt.py: line 3: import: command not found /usr/local/bin/pdf2txt.py: line 4: import: command not found /usr/local/bin/pdf2txt.py: line 5: import: command not found /usr/local/bin/pdf2txt.py: line 7: import: command not found /usr/local/bin/pdf2txt.py: line 8: import: command not found /usr/local/bin/pdf2txt.py: line 12: syntax error near unexpected token `OUTPUT_TYPES' /usr/local/bin/pdf2txt.py: line 12: `OUTPUT_TYPES = ((".htm", "html"),'

該当のソースコード

!pip install pdfminer.six import os import urllib.request pdfpath = "test.pdf" tkjkj = 'https://www.release.tdnet.info/inbs/' pdf_url = '140120200212462806.pdf' url = str(tkjkj) + str(pdf_url) os.system("wget -O " + str(pdfpath) + " " + str(url)) py_url = 'https://github.com/pdfminer/pdfminer.six/blob/master/tools/pdf2txt.py' py_fn = 'pdf2txt.py' os.system("wget -O" + str(py_fn) + " " + str(py_url)) lines = !pdf2txt.py { pdfpath } txt = '\n' .join(lines) print(txt)

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MY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。

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

guest

回答1

0

ベストアンサー

内容を見る限りPython(プログラム)じゃなくてコマンドでいいような

2行目の"https://www.release.tdnet.info/inbs/140120200212462806.pdf"のアドレス部分を変更してください

!wget https://www-eu.apache.org/dist/pdfbox/2.0.18/pdfbox-app-2.0.18.jar -O pdfbox-app.jar
!wget https://www.release.tdnet.info/inbs/140120200212462806.pdf -O data.pdf
!java -jar pdfbox-app.jar ExtractText -sort -encoding UTF-8 data.pdf

data.txtファイルが作成されているのでダウンロードしてください

投稿2020/02/17 07:37

編集2020/02/17 07:46
barobaro

総合スコア1286

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

あなたの回答

tips

太字

斜体

打ち消し線

見出し

引用テキストの挿入

コードの挿入

リンクの挿入

リストの挿入

番号リストの挿入

表の挿入

水平線の挿入

プレビュー

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
85.37%

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る

質問する

関連した質問