Felder in einer PDF-Datei anhand Ihrer Position ermitteln

[Karsten Böhme]

Hallo zusammen,

ich lese mit PyPDF2 über die Methode get_fields die Daten von Textfeldern und Checkboxes aus. Das funktioniert soweit alles sehr gut.

Code: Alles auswählen

pdf_reader = PdfReader(open(self._current_pdf_file_path, "rb"))
obj_dict = pdf_reader.get_fields()

Allerdings hat sich heraus gestellt, dass die Textfelder bzw. Checkboxes bei vom Aufbau identischen Dateien unterschiedliche Namen haben. Da die Dateien von einer Firmensoftware generiert werden, kann ich daran auch nicht ändern.

Nun meine Frage : Wie kann ich die Position dieser Felder ermitteln und über diese Position dann auf die Daten der Felder zugreifen.

Vielen Dank für Eure Hinweise !

[noisefloor]

Hallo,

mit Position meinst du die absolute Position im PDF, also so was wie "Abstand X = 10 und Abstand Y=15" von der linken unteren Ecke des PDFs", richtig?

Dann lautet die Antwort: AFAIK nur, wenn du dich selber durch die Seitenbeschreibung des PDF durchparst und Daten extrahierst. Also ziemlich aufwendig.

Was du vorhast hört sich eher nach einer Anwendung für eine Bildanalyse mittels (einfacher) KI an. Die erkennt dann, wo was steht, nachdem sie mit den entsprechenden Dokumenten trainiert wurde. So funktioniert ja z.B. i.d.R. die automatische Rechnungsverarbeitung in Unternehmen, wenn die Rechnungen von extern als PDF bekommen.

Gruß, noisefloor

[Karsten Böhme]

Hallo noisfloor,

Du hast recht, es geht um die absolute Position auf der PDF-Seite. Dabei handelt es sich um Objekte (mal als Widgets und mal als xForms-Elemente bezeichnet. Ich habe eventuell eine Lösung gefunden.

https://stackoverflow.com/questions/228 ... a-pdf-file

Nach Bildanalyse klingt das eher nicht, schon eher nach dem Durchlaufen sämtlicher auf der Page enthaltenen Objekte.

Vielen Dank für die Antwort. Ich werde über meine Erfolge (oder Misserfolge) berichten.

Viele Grüße

[Karsten Böhme]

Hallo zusammen,

falls sich jemand für die Lösung des Problems interessiert : PyMuPDF

PyMuPDF installieren und fitz importieren

Hier ein kurzes Code-Beispiel :

Code: Alles auswählen

import fitz

def get_widgets_with_pymupdf(file_path: str) -> None:
    pdf = fitz.open(file_path)
    page: fitz.Page = pdf.load_page(0)
    widgets = page.widgets()
    for widget in widgets:
        x1_position: int = int(widget.rect[0])
        y1_position: int = int(widget.rect[1])
        x2_position: int = int(widget.rect[2])
        y2_position: int = int(widget.rect[3])
        print('X1 = ' + str(x1_position) + ' Y1 = ' + str(y1_position) + ' X2 = ' + str(x2_position) + ' Y2 = ' + str(y2_position) + ' Wert = ' + str(widget.field_value))
 

Zu beachten ist, dass bei mir nach der ersten Installation (Windows / PyCharm) das Modul nicht gefunden wurde und damit fitz nicht importiert werden konnte. Habe alles noch einmal deinstalliert und nen Tag später den Versuch wiederholt.

Siehe auch : https://stackoverflow.com/questions/731 ... eld-widget

Viele Grüße

[__deets__]

Schoen, dass es klappt. Was du dir angewoehnen solltest: string-formatting. Dieses rum-geplusse ist wirklich grauselig.

Code: Alles auswählen

# print kann mehrere argumente
print('X1 = ', x1_position,' Y1 = ', y1_position, ' X2 = ', x2_position, 'Y2 = ', y2_position, 'Wert = ', widget.field_value)
#format strings machen das Leben einfacher
print(f'X1 = {x1_position}  Y1 = {y1_position}  X2 = {x2_position}  Y2 = {y2_position}  Wert = {widget.field_value))

[Karsten Böhme]

... war doch nur zum schnell "Rumprobieren" !!!

[__deets__]

War garantiert nicht schneller zu schreiben, als einer der beiden meiner Vorschlaege. Aber schon verstanden, keine Hinweise, wie man sich das leben einfacher machen kann.

[Karsten Böhme]

Du hast ja Recht und ich gelobe Besserung !

... und nicht gleich beleidigt sein

VG
Karsten

[__blackjack__]

Wo man auch Zeit sparen kann ist beim Tippen von extrem unsinnigen Typannotationen. Jeder menschliche Leser weiss auch ohne Annotation das `int()` etwas vom Typ `int` zurück gibt. Genau so weiss das die Software, die diese Annotationen prüft.

Code: Alles auswählen

def get_widgets_with_pymupdf(file_path):
    for widget in fitz.open(file_path).load_page(0).widgets():
        x_1, y_1, x_2, y_2 = map(int, widget.rect)
        print(
            "X1 =",
            x_1,
            "Y1 =",
            y_1,
            "X2 =",
            x_2,
            "Y2 =",
            y_2,
            "Wert =",
            widget.field_value,
        )

[Sirius3]

Eine Funktion, die get_... heißt sollte etwas zurückliefern, wenn das nicht der Fall ist, dann ist das sehr verwirrend.
Dass x1_position ein int ist, ist für alle Computer klar, und auch für die meisten Menschen, diese Typannotation ist also total überflüssig. Dass load_page ein Page-Objekt zurückliefert, sollte auch klar sein. Warum Du dann bei widgets und widget die Typannotation wegläßt, bleibt wohl ein Geheimnis.
Wenn man was mit open öffnet, sollte man das auch wieder schließen.

Code: Alles auswählen

def print_widgets(file_path):
    with fitz.open(file_path) as pdf:
        for widget in pdf[0].widgets():
            x1, y1, x2, y2 = widget.rect
            value = widget.field_value
            print(f"X1 = {x1} Y1 = {y1} X2 = {x2} Y2 = {y2} Wert = {value}")

[__blackjack__]

@Sirius3: Die Koordinaten können auch Gleitkommazahlen sein. Also ist das `int()` hier vielleicht tatsächlich gewollt.