[파이썬] PDF 문서에서 텍스트 추출 - Tika

 

 

 

Tika REST Server 를 사용하여  Tika 를 사용할 수 있도록 하는  Apache Tika 라이브러리의 Python 포트이다.

 

TikaJAXRS - TIKA - Apache Software Foundation

 

이 라이브러리를 사용하려면 tika-python이 백그라운드에서 Tika REST 서버를 시작하므로, 시스템에  Java 7 이상이 설치되어 있어야 한다.

 

 

 

 

from tika import parser

pdf_path = "input.pdf" 

# PDF 파일에서 텍스트를 추출
raw_pdf = parser.from_file(pdf_path) 
contents = raw_pdf['content'] 
contents = contents.strip()

print(contents)

  cf) 스캔한 이미지 기반의 PDF 문서는  텍스트 추출이 되지 않음.

 

 

▷  다음은 실행한 결과이다.