Si vous travaillez avec des fichiers PDF, vous avez probablement rencontré des fichiers cryptés ou compressés. L’une des méthodes les plus courantes pour compresser les données dans les fichiers PDF est Flatedecode. Bien que cela rende les fichiers plus petits, cela pose un problème si vous avez besoin de récupérer le texte brut. Dans cet article, nous allons vous montrer comment décoder un flux PDF Flatedecode en texte brut.
Qu’est-ce que Flatedecode ?
Flatedecode est une méthode de compression de données utilisée dans les fichiers PDF. Elle réduit la taille du fichier en compressant les données en utilisant l’algorithme DEFLATE. Cette méthode est très efficace pour les images et les graphiques, mais elle peut rendre le contenu texte difficile à extraire.
Comment décoder un flux PDF Flatedecode en texte brut ?
Pour décoder un flux PDF Flatedecode en texte brut, vous aurez besoin d’un programme qui peut décoder l’algorithme DEFLATE. Il existe plusieurs programmes disponibles en ligne, mais nous allons utiliser Python pour cet exemple.
Exemple 1 : Utilisation de Python pour décoder un flux PDF Flatedecode en texte brut
Ci-dessous est le code Python que vous pouvez utiliser pour décoder un flux PDF Flatedecode en texte brut :
import zlib
def decodeFlateDecode(encoded):
decoded = zlib.decompress(encoded)
return decoded.decode('utf-8')
Ce code utilise la bibliothèque zlib de Python pour décoder le flux PDF Flatedecode. Vous pouvez l’utiliser pour extraire le texte brut d’un fichier PDF compressé. Voici comment vous pouvez l’utiliser :
stream ="Flatedecode stream"
decoded = decodeFlateDecode(stream)
print(decoded)
Ce code prend le flux PDF Flatedecode et le passe à la fonction decodeFlateDecode. La fonction renvoie le texte brut qui est ensuite imprimé à la console. Vous pouvez utiliser cette méthode pour extraire le texte brut de n’importe quel fichier PDF compressé.
Exemple 2 : Utilisation de PDFMiner pour extraire le texte brut d’un fichier PDF
PDFMiner est une bibliothèque Python qui permet d’extraire le texte brut d’un fichier PDF. Elle est particulièrement utile pour extraire le texte de fichiers PDF qui ont été numérisés. Voici comment vous pouvez utiliser PDFMiner pour extraire le texte brut d’un fichier PDF :
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfdevice import PDFDevice
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from io import StringIO
def extract_text(file_path):
with open(file_path, 'rb') as infile:
parser = PDFParser(infile)
document = PDFDocument(parser)
if not document.is_extractable:
raise PDFTextExtractionNotAllowed
rsrcmgr = PDFResourceManager()
retstr = StringIO()
device = TextConverter(rsrcmgr, retstr, codec='utf-8', laparams=LAParams())
interpreter = PDFPageInterpreter(rsrcmgr, device)
for page in PDFPage.create_pages(document):
interpreter.process_page(page)
text = retstr.getvalue()
retstr.close()
return text
Ce code utilise la bibliothèque PDFMiner pour extraire le texte brut d’un fichier PDF. Vous pouvez utiliser cette méthode pour extraire le texte brut de n’importe quel fichier PDF, qu’il soit compressé ou non.
Flatedecode est une méthode de compression de données couramment utilisée dans les fichiers PDF. Bien qu’elle rende les fichiers plus petits, elle peut rendre le contenu texte difficile à extraire. Dans cet article, nous avons vu comment décoder un flux PDF Flatedecode en texte brut en utilisant Python et PDFMiner. Nous espérons que ces exemples vous aideront à extraire le texte brut de vos fichiers PDF compressés.
