Врубился, тогда проще, ибо с сортировкой проблема с дубликатами поиска. Теперь понял зачем кривил, но в дальнейшем это не понабиться, надо просто искать текст до первого совпадения, тогда даже если на обороте встречается искомое, он будет включен по параметру выбора "+ стр до найденой" / "+ стр после найденой" , а не поиском дублироваться.
[Acr DC] Извлечение из PDF страниц содержащих фразы из списка, заданного в текстовом файле и сохранение их в новый файл
- Автор темы duh
- Дата начала
-
- Теги
- action для acrobat
Вероятно есть... но пока не будет, сначала бы интерфейс сделать и алгоритм поиска отладить...
По идее
возможно тоже не нужна
можно обойтись одной +оборот а перед искомым он или после, вроде как не сложно вычислить.
Последнее редактирование:
- Сообщения
- 12 213
- Реакции
- 3 567
@Drawer, а давай сравним забавы ради?
Мой набросок на текстовом файле работает за чуть менее чем 3 секунды и большую часть времени работает pdfgrep. Кстати, если в тхт файле строки идут в той же последовательности, что и в pdf, то время работы можно заметно уменьшить.
Последнее редактирование:
- Сообщения
- 33 435
- Реакции
- 10 897
Зачем? Это ж очевидно, что адобовский js работает в стопятьсот раз тормознее, чем нативная консольная прога. Но мы его любим не за это.
- Сообщения
- 12 213
- Реакции
- 3 567
- Сообщения
- 12 213
- Реакции
- 3 567
Кстати, решение на питончике работает медленнее.
Да, и туда и туда добавил аргумент -back, который извлекает обороты.
Python:
import os
import sys
import subprocess
import logging
from PyPDF2 import PdfReader, PdfWriter
# Настройка логирования
logging.basicConfig(filename="script.log", level=logging.INFO, format="%(asctime)s - %(message)s")
def log(message):
logging.info(message)
print(message)
def extract_pages(pdf_file, search_strings, include_next_page):
reader = PdfReader(pdf_file)
pages_to_extract = set()
for search_string in search_strings:
log(f"Ищем строку: '{search_string}'")
for i, page in enumerate(reader.pages):
text = page.extract_text()
if search_string in text:
log(f"Найдена строка на странице {i + 1}")
pages_to_extract.add(i + 1)
if include_next_page and i + 1 < len(reader.pages):
log(f"Добавляем следующую страницу: {i + 2}")
pages_to_extract.add(i + 2)
break
else:
log(f"Строка '{search_string}' не найдена в файле {pdf_file}")
if pages_to_extract:
writer = PdfWriter()
for page_number in sorted(pages_to_extract):
writer.add_page(reader.pages[page_number - 1])
output_file = "extracted_pages.pdf"
with open(output_file, "wb") as out_pdf:
writer.write(out_pdf)
log(f"Извлеченные страницы сохранены в файл {output_file}")
else:
log("Не найдено страниц для извлечения")
def main():
if len(sys.argv) < 2:
print("Использование: extract_pages.py [-back] input.pdf")
sys.exit(1)
include_next_page = "-back" in sys.argv
pdf_file = sys.argv[-1]
if not os.path.exists(pdf_file):
print(f"Ошибка: Файл '{pdf_file}' не найден.")
sys.exit(1)
txt_file = os.path.splitext(pdf_file)[0] + ".txt"
if not os.path.exists(txt_file):
print(f"Ошибка: Файл '{txt_file}' не найден.")
sys.exit(1)
with open(txt_file, "r", encoding="utf-8") as f:
search_strings = [line.strip() for line in f]
extract_pages(pdf_file, search_strings, include_next_page)
if __name__ == "__main__":
main()- Сообщения
- 12 213
- Реакции
- 3 567
- Сообщения
- 33 435
- Реакции
- 10 897
Ну это же очевидно. Питоновский интерпретатор - эталон неоптимального торможения.
- Сообщения
- 12 213
- Реакции
- 3 567
Ну не скажи. Вызывать pdfgrep 100500 раз и каждый раз им читать pdf с первой страницы тоже не эталон оптимального решения.
- Сообщения
- 12 213
- Реакции
- 3 567
Соберите моё
Думаю мой
вряд ли тут кому-нибудь пригодится.
при помощи какого-нибудь PyInstaller в один ехе файл, а то ТС его так и не попробует.
Думаю мой
Код:
ELF 64-bit LSB executable, x86-64, version 1 (SYSV), dynamically linked, interpreter /lib64/ld-linux-x86-64.so.2, BuildID[sha1]=a5c2bc6da5a3f72f748b54f3b108730e029cada8, for GNU/Linux 2.6.32, stripped
Последнее редактирование:
Без сохранения, только извлекает страницы в новый файл
Time: 1.281 seconds
А в питоне ты не также делаешь?
У меня сначала все в массив читается, потом уже поиск по массиву.
- Сообщения
- 17 446
- Реакции
- 7 904
Извлечение из pdf страниц содержащих фразы из списка, заданного в текстовом файле и сохранение их в новый файл.Хрен знает... так чтоли...
- Сообщения
- 1 442
- Реакции
- 701
да-да-да
ЗЫ: и дополнительной опцией на выбор "+ стр до найденой" и "+ стр после найденой" (обновил файлы)
Последнее редактирование: