web-dev-qa-db-fra.com

En lisant le PDF propriétés/métadonnées en Python

Comment lire les propriétés/métadonnées telles que Titre, Auteur, Sujet et Mots clés stockés dans un fichier PDF à l'aide de Python?

pythonpdfmetadata
31
Khaleel

Essayez 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

Voici le résultat:

>>> [{'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'}]

Pour plus d'informations, consultez ce didacticiel: Un analyseur syntaxique XMP léger permettant d'extraire les métadonnées PDF en Python .

38
namit

Pour Python 3, voir PyPDF2 avec l'exemple de code de @Khaleel mis à jour en:

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

Installez en utilisant pip install PyPDF2.

7
Morten Zilmer

Remarque: pyPdf homepage indique qu'elle n'est plus maintenue.

J'ai implémenté cela en utilisant pyPdf . Veuillez voir l'exemple de code ci-dessous.

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

Sortie:

{'/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'}
5
Khaleel

Pour Python 3 et le nouveau pdfminer (installer 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)
1
Rabash