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、ホスティングされたJPedal cloud APIを使用してPDFからテキストを抽出する方法を説明します。独自のセルフホスティング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 をシンプルなPythonラッパーで包んだオープンソースの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ための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後述します。

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)

コールバックURLに結果を返す

JPedal Microserviceは、抽出完了時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メソッドに指定できます。

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メソッドに渡す必要があります。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代わりに、JPedal Microserviceがダウンロードして抽出を実行するURLを指定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 Microserviceをデプロイした場合、各変換時にこれらを提供する必要があります。これらは以下のように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

GitHub上のIDRCloudClient
Pypi上のIDRCloudClient
JPedal Microservice API
JPedal Microserviceの使用方法