Spaces:
Sleeping
Sleeping
Commit
•
ce2d47f
1
Parent(s):
28f7073
Update app.py
Browse files
app.py
CHANGED
@@ -1,48 +1,15 @@
|
|
1 |
-
import
|
2 |
-
import json
|
3 |
-
import os
|
4 |
-
|
5 |
|
6 |
def extract_text_from_pdf(pdf_path):
|
7 |
-
|
8 |
-
|
9 |
-
|
10 |
-
|
11 |
-
|
12 |
-
|
13 |
-
|
14 |
-
|
15 |
-
pages_text = []
|
16 |
-
# Parcourt chaque page
|
17 |
-
for page_num, page in enumerate(doc, start=1):
|
18 |
-
# Extrait le texte de la page
|
19 |
-
page_text = page.get_text()
|
20 |
-
pages_text.append({"page": page_num, "text": page_text})
|
21 |
-
return pages_text
|
22 |
-
|
23 |
-
def save_text_to_json(data, output_file):
|
24 |
-
"""
|
25 |
-
Sauvegarde le texte extrait dans un fichier JSON.
|
26 |
-
|
27 |
-
:param data: Les données à sauvegarder (liste de dictionnaires).
|
28 |
-
:param output_file: Chemin du fichier JSON de sortie.
|
29 |
-
"""
|
30 |
-
with open(output_file, 'w', encoding='utf-8') as f:
|
31 |
-
json.dump(data, f, ensure_ascii=False, indent=4)
|
32 |
-
|
33 |
-
# Chemin vers le fichier PDF dans le répertoire data/
|
34 |
pdf_path = 'data/07-VF2_UDM_Oneframe_A4-2023.pdf'
|
35 |
-
# Chemin du fichier JSON de sortie
|
36 |
-
json_output_path = 'data/extracted_text.json'
|
37 |
-
|
38 |
-
# Vérification de l'existence du répertoire data/
|
39 |
-
if not os.path.exists('data'):
|
40 |
-
os.makedirs('data')
|
41 |
-
|
42 |
-
# Extrait le texte du PDF
|
43 |
pdf_text = extract_text_from_pdf(pdf_path)
|
44 |
-
|
45 |
-
|
46 |
-
save_text_to_json(pdf_text, json_output_path)
|
47 |
-
|
48 |
-
print(f"Le texte a été extrait et sauvegardé dans {json_output_path}")
|
|
|
1 |
+
import PyPDF2
|
|
|
|
|
|
|
2 |
|
3 |
def extract_text_from_pdf(pdf_path):
|
4 |
+
text = []
|
5 |
+
with open(pdf_path, 'rb') as file:
|
6 |
+
pdf_reader = PyPDF2.PdfReader(file)
|
7 |
+
for page in pdf_reader.pages:
|
8 |
+
text.append(page.extract_text())
|
9 |
+
return text
|
10 |
+
|
11 |
+
# Utilisation de la fonction
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
12 |
pdf_path = 'data/07-VF2_UDM_Oneframe_A4-2023.pdf'
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
13 |
pdf_text = extract_text_from_pdf(pdf_path)
|
14 |
+
for page_num, page_text in enumerate(pdf_text, start=1):
|
15 |
+
print(f"Page {page_num}:\n{page_text}\n{'='*100}\n")
|
|
|
|
|
|