最近の人工知能ブームでテキストマイニングから法則を発見するといったこともしばしば行うようになってきました。 PDFから文字列を抽出する方法をメモっておきます 環境mac os 10.11インストールまずはpdftotextをインストールします $ brew install homebrew/x11/xpdf-japanese このまま実行するとエラーになります $ pdftotext test.pdf Syntax Error: No font in show Syntax Error: Unknown character collection 'Adobe-Japan1' こちらを参考に修正します $ wget ftp://ftp.foolabs.com/pub/xpdf/xpdf-japanese.tar.gz $ tar zxvpf xpdf-japanese.tar.gz $ mk
PDFファイルから文章を抽出するあれこれ。画像化されているやつはOCRをかけることになるが、本記事では対象外。Mac環境下で実行。 大きくわけて、コピペする、Adobe Reader DCを使う、pdftotextを使う、pythonのpdfminer.sixを使う、のパターンで。 ビューアで開いてコピペ 言わずもがな。PDFファイルを開いて、ビューアーからコピペする。原始的だけれど、なんだかんだ言ってそこそこの精度。 Adobe Reader DCの機能を使う Adobe Reader DCは最近何かとお金を取るようになったらしく、インターネットで検索した情報を元にやってみると、その機能が有料化されていることがしばしばある。が、テキストの抽出は今のところ問題ないらしい（Word変換などはお金がかかる）。 「ファイル」→「その他の形式で保存」→「テキスト」と選択すると、テキストのみ抽出でき
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
