from - pdf to text python 3

Lectura de las propiedades/metadatos PDF en Python

Question

¿Cómo puedo leer las propiedades / metadatos como Título, Autor, Asunto y Palabras clave almacenados en un archivo PDF usando Python?

Answer 1

Lo he implementado usando pyPdf . Por favor vea el código de muestra a continuación.

from pyPdf import PdfFileReader
pdf_toread = PdfFileReader(open("doc2.pdf", "rb"))
pdf_info = pdf_toread.getDocumentInfo()
print str(pdf_info)

Salida:

{''/Title'': u''Microsoft Word - Agnico-Eagle - Complaint (00040197-2)'', ''/CreationDate'': u"D:20111108111228-05''00''", ''/Producer'': u''Acrobat Distiller 10.0.0 (Windows)'', ''/ModDate'': u"D:20111108112409-05''00''", ''/Creator'': u''PScript5.dll Version 5.2.2'', ''/Author'': u''LdelPino''}

Nota: la pyPdf pyPdf dice que ya no se mantiene.

Answer 2

Para Python 3 y el nuevo pdfminer (pip install pdfminer3k):

import os
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfparser import PDFDocument

fp = open("foo.pdf", ''rb'')
parser = PDFParser(fp)
doc = PDFDocument(parser)
parser.set_document(doc)
doc.set_parser(parser)
if len(doc.info) > 0:
    info = doc.info[0]
    print(info)

Answer 3

Para Python 3, vea PyPDF2 con código de ejemplo de @Khaleel actualizado a:

from PyPDF2 import PdfFileReader
pdf_toread = PdfFileReader(open("test.pdf", "rb"))
pdf_info = pdf_toread.getDocumentInfo()
print(str(pdf_info))

Instalar usando pip install PyPDF2 .

Answer 4

Prueba pdfminer :

from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument

fp = open(''diveintopython.pdf'', ''rb'')
parser = PDFParser(fp)
doc = PDFDocument(parser)

print doc.info  # The "Info" metadata

Aquí está el resultado:

>>> [{''CreationDate'': ''D:20040520151901-0500'',
  ''Creator'': ''DocBook XSL Stylesheets V1.52.2'',
  ''Keywords'': ''Python, Dive Into Python, tutorial, object-oriented, programming, documentation, book, free'',
  ''Producer'': ''htmldoc 1.8.23 Copyright 1997-2002 Easy Software Products, All Rights Reserved.'',
  ''Title'': ''Dive Into Python''}]

Para obtener más información, consulte este tutorial: un analizador ligero de XMP para extraer metadatos de PDF en Python .