PythonでPDFからテキストを抽出する

はじめに

以下のチュートリアルでは、ホストされたJPedalクラウドAPIを使用してPDFからテキストを抽出する方法を紹介します。独自のセルフホスト型JPedalマイクロサービスをセットアップすることもできます。

上記のサービスは通常のHTTPリクエストでアクセスできますが、このチュートリアルでは、REST API のシンプルなPythonラッパーを提供するオープンソースのPython IDRCloudClient を使用します。

前提条件

pipを使用して、以下のコマンドでIDRCloudClientパッケージをインストールします：

pip install IDRCloudClient

コード例

以下は、PDFからテキストを抽出する基本的なコード例です。設定オプションと高度な機能については、以下をご覧ください。

from IDRSolutions import IDRCloudClient

client = IDRCloudClient('https://my-self-hosted-service.com/' + IDRCloudClient.JPEDAL)

try:
    result = client.convert(
        input=IDRCloudClient.UPLOAD, 
        file='/path/to/exampleFile.pdf',
        ,
        settings='{"mode":"extractText","type":"plainText"}'
    )
    outputURL = result['downloadUrl']

    client.downloadResult(result, 'path/to/output/dir')

    if outputURL is not None:
        print("Download URL: " + outputURL)

except Exception as error:
    print(error)

結果をコールバックURLに返す

JPedalマイクロサービスは、抽出完了時に抽出のステータスを送信するためのコールバックURLを受け付けます。コールバックURLを使用することで、抽出が完了したかどうかを判断するためにサービスをポーリングする必要がなくなります。
コールバックURLは、以下のようにconvertメソッドに提供できます。

result = client.convert(
    input=IDRCloudClient.UPLOAD,
    callbackUrl='http://listener.url',
    file='/path/to/exampleFile.pdf',
    ,
        settings='{"mode":"extractText","type":"plainText"}'
)

設定オプション

JPedal APIは、抽出をカスタマイズするためのキーと値のペアの設定オプションを含む文字列化されたJSONオブジェクトを受け付けます。設定はconvertメソッドに提供する必要があります。PDFからテキストを抽出するための設定オプションの完全なリストはこちらで確認できます。

settings='{"key":"value","key":"value"}'

URLによるアップロード

ローカルファイルをアップロードする以外に、JPedalマイクロサービスがダウンロードして抽出を実行するURLを提供することもできます。これを行うには、convertメソッドのinputとfileの値を以下のように置き換えます。

input=IDRCloudClient.DOWNLOAD
url='http://exampleURL/exampleFile.pdf'

認証の使用

PDFからテキストを抽出するためにユーザー名とパスワードが必要な独自のJPedalマイクロサービスをデプロイした場合、変換ごとにそれらを提供する必要があります。以下のように、convertメソッドにauthという名前の変数を渡すことで提供されます。

auth=('username', 'password'))

詳細情報

IDRCloudClient on GitHub
IDRCloudClient on Pypi
JPedal Microservice API
JPedal Microservice Use