Parse-Annotationen aus einer PDF-Datei

Question

Ich möchte eine Python-Funktion, die eine PDF-Datei verwendet und eine Liste mit dem Text der Notiz-Annotationen im Dokument zurückgibt. Ich habe Python-Poppler (https://code.launchpad.net/~poppler-python/poppler-python/trunk) angeschaut, aber ich kann nicht herausfinden, wie ich es bekommen kann, um mir etwas nützliches zu geben.

Ich fand die get_annot_mapping Methode und modifizierte das Demo-Programm zur Verfügung gestellt, um es über self.current_page.get_annot_mapping(), aber ich habe keine Ahnung, was mit einem AnnotMapping-Objekt zu tun. Es scheint nicht vollständig implementiert zu sein und bietet nur die Kopiermethode.

Wenn es andere Bibliotheken gibt, die diese Funktion bereitstellen, ist das auch in Ordnung.

Answer 1

Es stellte sich heraus, dass die Bindungen unvollständig waren. Es ist jetzt behoben. https://bugs.launchpad.net/poppler-python/+bug/397850

Answer 2

Ich habe das nie verwendet, noch wollte ich diese Art von Funktionen, aber ich fand PDFMiner - dieser Link hat Informationen über die grundlegende Verwendung, vielleicht ist das, was Sie suchen?

Answer 3

Nur für den Fall, dass jemand nach einem funktionierenden Code sucht. Hier ist ein Skript, das ich verwende.

import poppler 
import sys 
import urllib 
import os 

def main(): 
    input_filename = sys.argv[1] 
    # http://blog.hartwork.org/?p=612 
    document = poppler.document_new_from_file('file://%s' % \ 
    urllib.pathname2url(os.path.abspath(input_filename)), None) 
    n_pages = document.get_n_pages() 
    all_annots = 0 

    for i in range(n_pages): 
     page = document.get_page(i) 
     annot_mappings = page.get_annot_mapping() 
     num_annots = len(annot_mappings) 
     if num_annots > 0: 
      for annot_mapping in annot_mappings: 
       if annot_mapping.annot.get_annot_type().value_name != 'POPPLER_ANNOT_LINK': 
        all_annots += 1 
        print 'page: {0:3}, {1:10}, type: {2:10}, content: {3}'.format(i+1, annot_mapping.annot.get_modified(), annot_mapping.annot.get_annot_type().value_nick, annot_mapping.annot.get_contents()) 

    if all_annots > 0: 
    print str(all_annots) + " annotation(s) found" 
    else: 
    print "no annotations found" 

if __name__ == "__main__": 
    main() 

Answer 4

Jemand fragte eine similar question. Ich habe das Codebeispiel dort ausprobiert und es hat nicht funktioniert, bis ich ein paar funktionale und kosmetische Änderungen vorgenommen habe.

#!/usr/bin/ruby 

require 'pdf-reader' 

ARGV.each do |filename| 
    PDF::Reader.open(filename) do |reader| 
    puts "file: #{filename}" 
    puts "page\tcomment" 
    reader.pages.each do |page| 
     annots_ref = page.attributes[:Annots] 
     if annots_ref 
     actual_annots = annots_ref.map { |a| reader.objects[a] } 
     actual_annots.each do |actual_annot| 
      unless actual_annot[:Contents].nil? 
      puts "#{page.number}\t#{actual_annot[:Contents]}" 
      end 
     end 
     end 
    end  
    end 
end 

Wenn als pdfannot.rb gespeichert, chmod +x ‚ed und platziert in Ihr bevorzugtes PATH Verzeichnis Nutzung ist:

./pdfannot.rb <path> 

Zum ersten Mal Schreiben/Lektorat/Remixen Ruby-Code, so sehr offen für Vorschläge. HTH.

Nebenbei bemerkt, diese Frage früher zu finden, hätte mich vor doppelter Arbeit bewahren können. Hoffentlich bekommt diese Frage in Zukunft mehr Aufmerksamkeit, so dass sie leichter zu finden ist.