Extraction de données à partir d'un PDF avec un en-tête particulier en python

Question

Je voulais analyser le fichier PDF en python. J'ai vu des exemples avec PDFMiner qui ne pouvaient pas expliquer mes besoins.

Par exemple, si je veux analyser un CV, il contient divers champs comme Résumé, Expérience et Loisirs.

Je suis intéressé à extraire seulement l'expérience et ce champ d'expérience sera à la première place ou à la deuxième place ou à n'importe quel endroit, j'ai besoin d'identifier où le champ d'expérience se trouve et doit extraire les données.

Comment est-ce que je peux faire ceci?

Answer 1

Il y a 2 approches viables pour extraire les données sur le terrain:

1. Recherche pour certains mots clés prédéfinis, comme Experience pour obtenir son emplacement. Recherchez ensuite le mot clé de la section suivante (Hobbies), puis déterminez simplement les coordonnées de la partition de texte entre ces deux sections et extrayez ce texte à partir de cet emplacement. Si les PDF sont générés en utilisant le même générateur, vous pouvez simplement trouver les coordonnées de la section Experience et extraire juste le texte du même endroit à chaque fois. (Plus facile) Il suffit de convertir toute la page en texte, puis d'analyser le texte généré en utilisant la recherche par sous-chaîne ou les expressions régulières. Ce sera le moyen le plus simple et le plus simple que tout le travail concernant le format PDF repose sur l'outil spécialisé