An ultimate pdf file disintegration tool. DePDF is designed to extract tables and paragraphs into structured markup language [eg. html] from embedding pdf pages. You can also use it to convert pdf page or pdf to html.
Built on top of pdfplumber
Checkout automatically generated documentation if you wish.
[toc]
pip install depdf
from depdf import DePDF from depdf import DePage # general with DePDF .load ('test/test.pdf' ) as pdf pdf_html = pdf .to_html print (pdf_html )
# with dedicated configurations c = Config (
debug_flag = True ,
verbose_flag = True ,
add_line_flag = True
)
pdf = DePDF .load ('test/test.pdf' , config = c )
page_index = 23 # start from zero page = pdf_file .pages [page_index ]
page_soup = page .soup print (page_soup .text )functions usage extract_page_paragraphsextract paragraphs from specific page extract_page_tablesextract tables from specific page convert_pdf_to_htmlconvert the entire pdf to html convert_page_to_htmlconvert specific page to html
property & method explanation htmlconverted html string soupconverted beautiful soup bboxbounding box region save_htmlwrite html tag to local file
< div class ="{pdf_class} ">
%for <!--page-{pid}--> < div id ="page-{pid} " class ="{page_class} ">
%for {in_page_elements} endfor%
</ div >
endfor%
</ div > DePage HTML element structure < p >
{text-content}
< span > {span-content} </ span >
... </ p > < table > < tr > < td > {cell_0_0} </ td > < td > {cell_0_1} </ td >
...
</ tr > < tr colspan =2 > < td > {merged_cell_1_0} </ td >
...
</ tr >
...
</ table > <img src="temp_depdf/$prefix.png"></img>
Configuration encyclopedia keyword detail default logo_flag 是否分析不同页面共有的水印信息 Trueheader_footer_flag 是否分析不同页面共有的页眉页脚信息 Truetemp_dir_prefix 是否分析不同页面共有的页眉页脚信息 temp_depdf unique_prefix 生成临时文件图片的文件名称（一般会自动生成）
keyword detail default table_flag 是否解析表格 Trueparagraph_flag 是否解析段落 Trueimage_flag 是否解析图片 Trueresolution debug 模式下生成页面预览图的分辨率 300 main_frame_tolerance 识别页面内主要文字区域的阈值 x_tolerance 识别页面内文本行的横向阈值 y_tolerance 识别页面内文本行的纵向阈值 page_num_top_fraction 识别页面内页码信息上边界距离和页面的高度比例 page_num_left_fraction 识别页面内页码信息 page_num_right_fraction 识别页面内页码信息
keyword detail default multiple_columns_flag 是否识别多栏页面 Truemax_columns 识别多栏页面栏数上限 3 column_region_half_width 识别多栏页面栏分界宽度 min_column_region_objects 识别多栏页面栏分界内的对象数目上限
keyword detail default char_overlap_size 判断字符是否重叠的阈值 default_char_size 默认的字符大小 char_size_upper 探测到字符大小的上限 char_size_lower 探测到字符大小的下限
keyword detail default dotted_line_flag 是否分析页面内的虚线 curved_line_flag 是否分析页面内的曲线 snap_flag 是否合并表格线段 add_line_flag 是否为表格增加横竖线 min_double_line_tolerance 判断线段是否为临近双线的距离下限 max_double_line_tolerance 判断线段是否为临近双线的距离上限 vertical_double_line_tolerance 判断线段是否为垂直临近双线的距离上限 table_cell_merge_tolerance 合并单元格的宽度差别容错值 skip_empty_table 是否忽略空白表格 add_vertical_lines_flag 是否增加竖线 add_horizontal_lines_flag 是否增加横线 add_horizontal_line_tolerance 增加横线的阈值
keyword detail default min_image_size 识别图片的边长最小像素值 80 image_resolution 提取图片的分辨率 300
keyword detail default default_head_tail_page_offset_percent 页眉页脚的错位比例
keyword detail default log_level 日志的级别 WARNINGverbose_flag 是否输出运行中间过程信息 Falsedebug_flag 是否打开调试（生成解析对象的边界信息） False
keyword detail default span_class 生成 HTML 的 span 节点的 class pdf-span paragraph_class 生成 HTML 的 p 节点的 class pdf-paragraph table_class 生成 HTML 的 table 节点的 class pdf-table pdf_class 生成 HTML 的最外层 pdf div 节点的 class pdf-content image_class 生成 HTML 的 img 节点的 class pdf-image page_class 生成 HTML 的 page div 的 class pdf-page mini_page_class 生成 HTML 的 mini-page div 的 class pdf-mini-page
2020-03-18 add support for multiple-column PDFs2020-03-12 initial depdf release.
├── depdf
│ ├── components
│ │ ├── image.py
│ │ ├── paragraph.py
│ │ ├── span.py
│ │ ├── table.py
│ │ └── text.py
│ ├── api.py
│ ├── base.py
│ ├── config.py
│ ├── error.py
│ ├── log.py
│ ├── page.py
│ ├── page_tools.py
│ ├── pdf.py
│ ├── pdf_tools.py
│ ├── settings.py
│ ├── utils.py
│ └── version.py
├── test
│ ├── test.html
│ ├── test.pdf
│ ├── test.py
│ └── test_mc.pdf
├── LICENSE
├── README.md
├── annotations.jpg
└── pyproject.toml
4 directories, 33 files
DePage element denotations Useful element properties within page
