多くの PDF ファイルには文字列の情報が格納されています．Adobe Acrobat や Mac のプレビューを使うとこの文字列をコピーして抽出することができます．ここでは，pdftotext というコマンドを使って文字列を取り出します．macOS では poppler というソフトウェアをインストールすると pdftotext コマンドが利用できるようになります．まず，Homebrew を使って poppler をインストールします．
(py39ocr) rinsaka@MacStudio2022 pyocr % brew install poppler⏎
インストールされた場所とバージョンを確認します．
(py39ocr) rinsaka@MacStudio2022 pyocr % which pdftotext ⏎ /opt/homebrew/bin/pdftotext (py39ocr) rinsaka@MacStudio2022 pyocr % pdftotext -v ⏎ pdftotext version 22.06.0 Copyright 2005-2022 The Poppler Developers - http://poppler.freedesktop.org Copyright 1996-2011, 2022 Glyph & Cog, LLC (py39ocr) rinsaka@MacStudio2022 pyocr %
次にターミナルから pdftotext を利用してみます．tesseract_dataフォルダに pdf ファイルがあることに注意して pdftotext を実行します．実行すると PDF ファイルと同じフォルダにファイル名（厳密には基底名）が同じで拡張子が .txt のファイルが作成され，そのファイルに結果が出力されます．なお，データはこのページを参考に準備してください．
(py39ocr) rinsaka@MacStudio2022 pyocr % ls tesseract_data ⏎ en_1.docx en_2.pdf ja_1.docx en_1.pdf en_2_img.pdf ja_1.pdf en_1_img.pdf en_2_img1.png ja_1_img.pdf en_1_img.png en_2_img1_trim.png ja_1_img.png en_1_img_trim.png en_2_img2.png ja_1_img_trim.png en_2.docx en_2_img2_trim.png (py39ocr) rinsaka@MacStudio2022 pyocr % pdftotext tesseract_data/en_1.pdf ⏎ (py39ocr) rinsaka@MacStudio2022 pyocr % ls tesseract_data ⏎ en_1.docx en_2.docx en_2_img2_trim.png en_1.pdf en_2.pdf ja_1.docx en_1.txt en_2_img.pdf ja_1.pdf en_1_img.pdf en_2_img1.png ja_1_img.pdf en_1_img.png en_2_img1_trim.png ja_1_img.png en_1_img_trim.png en_2_img2.png ja_1_img_trim.png (py39ocr) rinsaka@MacStudio2022 pyocr % cat tesseract_data/en_1.txt ⏎ In this paper, we consider a nonparametric adaptive software rejuvenation schedule under a random censored data. For u failure time data and v random censored data, we formulate upper and lower bounds of the predictive system availability based on a nonparametric predictive inference (NPI). Then, we derive adaptive rejuvenation policies which maximizes the upper or lower bound. In simulation experiments, we show that estimates of the software rejuvenation schedule are updated by acquisition of new failure data, and converge to the theoretical optimal solution. (py39ocr) rinsaka@MacStudio2022 pyocr %
日本語の場合も全く同じ方法で取得できます．
(py39ocr) rinsaka@MacStudio2022 pyocr % pdftotext tesseract_data/ja_1.pdf ⏎ (py39ocr) rinsaka@MacStudio2022 pyocr % ls tesseract_data ⏎ en_1.docx en_2.pdf ja_1.pdf en_1.pdf en_2_img.pdf ja_1.txt en_1.txt en_2_img1.png ja_1_img.pdf en_1_img.pdf en_2_img1_trim.png ja_1_img.png en_1_img.png en_2_img2.png ja_1_img_trim.png en_1_img_trim.png en_2_img2_trim.png en_2.docx ja_1.docx (py39ocr) rinsaka@MacStudio2022 pyocr % cat tesseract_data/ja_1.txt ⏎ 研究者が⾃⾝で収集した学術論⽂の⽂献 PDF ファイルを効率的に管理し，研究活動に有 効活⽤することを⽬的として，⽂献 PDF データベースシステムを開発した．利⽤者は PDF ファイルを Web ブラウザからサーバにアップロードすることで，PDF ファイルを⼀元的 に管理できるようになるとともに，全⽂検索，ジャーナル検索，著者検索，タグ（キーワー ド）検索が利⽤できるようになる．また，論⽂情報の登録などに BIBTEX 情報を活⽤する ことも本システムの特徴のひとつである．本論⽂では⽂献 PDF データベースシステムの 詳細について議論するとともに，性能評価実験の結果を考察する． (py39ocr) rinsaka@MacStudio2022 pyocr %
pdftotext を Python から利用するためには pip を使ってインストールする必要があります．
(py39ocr) rinsaka@MacStudio2022 pyocr % pip install pdftotext ⏎
Collecting pdftotext
Downloading pdftotext-2.2.2.tar.gz (113 kB)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 113.9/113.9 kB 677.6 kB/s eta 0:00:00
Preparing metadata (setup.py) ... done
Building wheels for collected packages: pdftotext
Building wheel for pdftotext (setup.py) ... done
Created wheel for pdftotext: filename=pdftotext-2.2.2-cp39-cp39-macosx_11_0_arm64.whl size=7349 sha256=37d7cb3cae720a640d08031e8b6cfb6c2cbdb154bd09e19349f5dc50ecd5dcfe
Stored in directory: /Users/rinsaka/Library/Caches/pip/wheels/e4/e5/45/636cc09f9a6770e3ffafdfc7317486c76b234a3b0e21409a3e
Successfully built pdftotext
Installing collected packages: pdftotext
Successfully installed pdftotext-2.2.2
(py39ocr) rinsaka@MacStudio2022 pyocr %
まず，英文が入力された 1 ページの PDF ファイルを pdftotext によって Python で文字列を抽出します．
import os
import pdftotext
file_path = os.path.sep.join(['tesseract_data', 'en_1.pdf'])
f = open(file_path, 'rb')
pdf = pdftotext.PDF(f)
f.close()
print(pdf)
print(pdf[0]) # 1ページ目
<pdftotext.PDF object at 0x107b653f0> In this paper, we consider a nonparametric adaptive software rejuvenation schedule under a random censored data. For u failure time data and v random censored data, we formulate upper and lower bounds of the predictive system availability based on a nonparametric predictive inference (NPI). Then, we derive adaptive rejuvenation policies which maximizes the upper or lower bound. In simulation experiments, we show that estimates of the software rejuvenation schedule are updated by acquisition of new failure data, and converge to the theoretical optimal solution.
日本語の PDF ファイルでも同じように抽出できます．
import os
import pdftotext
file_path = os.path.sep.join(['tesseract_data', 'ja_1.pdf'])
f = open(file_path, 'rb')
pdf = pdftotext.PDF(f)
f.close()
print(pdf)
print(pdf[0]) # 1ページ目
<pdftotext.PDF object at 0x1080579f0> 研究者が⾃⾝で収集した学術論⽂の⽂献 PDF ファイルを効率的に管理し，研究活動に有 効活⽤することを⽬的として，⽂献 PDF データベースシステムを開発した．利⽤者は PDF ファイルを Web ブラウザからサーバにアップロードすることで，PDF ファイルを⼀元的 に管理できるようになるとともに，全⽂検索，ジャーナル検索，著者検索，タグ（キーワー ド）検索が利⽤できるようになる．また，論⽂情報の登録などに BIBTEX 情報を活⽤する ことも本システムの特徴のひとつである．本論⽂では⽂献 PDF データベースシステムの 詳細について議論するとともに，性能評価実験の結果を考察する．
2ページの PDF から文字列を抽出する場合には次のように書くことも可能です．
import os
import pdftotext
file_path = os.path.sep.join(['tesseract_data', 'en_2.pdf'])
f = open(file_path, 'rb')
pdf = pdftotext.PDF(f)
f.close()
print(pdf)
print('----- p.1 -----')
print(pdf[0]) # 1ページ目
print('----- p.2 -----')
print(pdf[1]) # 2ページ目
<pdftotext.PDF object at 0x107bbccc0> ----- p.1 ----- In this paper, we consider a nonparametric adaptive software rejuvenation schedule under a random censored data. For u failure time data and v random censored data, we formulate upper and lower bounds of the predictive system availability based on a nonparametric predictive inference (NPI). Then, we derive adaptive rejuvenation policies which maximizes the upper or lower bound. In simulation experiments, we show that estimates of the software rejuvenation schedule are updated by acquisition of new failure data, and converge to the theoretical optimal solution. ----- p.2 ----- For digital gadgets, such as smartphones and tablets, manufacturers (or providers) usually offer a one year free-repair warranty against failures. This paper considers two types of failures. The first type of failure (Type-I failure) is a wear-out failure, which is warranted by the manufacturers. The second type of failure (Type-II failure) is an accidental failure, which is not warranted by the manufacturers. In this paper, we propose an extended warranty service contract covering both Type-I and Type-II failures between a provider and a customer. Aiming to contribute to the establishment of a method for determining a suitable price to the extended warranty service contract fee, this paper discusses the optimal strategy for the provider considering the reaction of the customer.
しかしながら実際には任意のページ数からなる PDF ファイルに対応するために次のように記述すると良いでしょう．
import os
import pdftotext
file_path = os.path.sep.join(['tesseract_data', 'en_2.pdf'])
f = open(file_path, 'rb')
pdf = pdftotext.PDF(f)
f.close()
for i, text in enumerate(pdf):
print(f'----- p.{i + 1} -----')
print(text)
----- p.1 ----- In this paper, we consider a nonparametric adaptive software rejuvenation schedule under a random censored data. For u failure time data and v random censored data, we formulate upper and lower bounds of the predictive system availability based on a nonparametric predictive inference (NPI). Then, we derive adaptive rejuvenation policies which maximizes the upper or lower bound. In simulation experiments, we show that estimates of the software rejuvenation schedule are updated by acquisition of new failure data, and converge to the theoretical optimal solution. ----- p.2 ----- For digital gadgets, such as smartphones and tablets, manufacturers (or providers) usually offer a one year free-repair warranty against failures. This paper considers two types of failures. The first type of failure (Type-I failure) is a wear-out failure, which is warranted by the manufacturers. The second type of failure (Type-II failure) is an accidental failure, which is not warranted by the manufacturers. In this paper, we propose an extended warranty service contract covering both Type-I and Type-II failures between a provider and a customer. Aiming to contribute to the establishment of a method for determining a suitable price to the extended warranty service contract fee, this paper discusses the optimal strategy for the provider considering the reaction of the customer.