Extração de dados em arquivo PDF com Python

[@yibambe148]

Muito bem explicdo, parabens

[@CARIOCAJJ36]

Excelente aula

[@polyanameireles2923]

Eu consigo extrair dados especificos de um pdf e organizar como eu quiser em uma planilha de excel automaticamente com o PHYTON?

[@JoaoSantos-jb7ul]

Excelente conteúdo, obrigado!

[@ernestomge]

Seu conteúdo é excelente. Muito didático e prático. Me ajudou demais. Parabéns!

[@f3loc451]

Fico muito feliz em ter ajudado Ernesto!!

[@t4blitoMax]

Excelente vídeo. Muito obrigado!

[@stisampaio]

Excelente explicação. Parabéns.

[@rodrigomelo1306]

Massa demais. Obrigado pela dica Fernanda

[@marcoswagnermainieri4794]

Não conhecia a lib tabula. Muito bom.

[@janworld1]

muito bacana. Vou testar aqui e assistir outras aulas suas

[@MatheusSaito-v3c]

Obrigado pelo conteudo, vai ajudar muito.

[@root1174]

e pago adianta de nada

[@rafapioli75]

Excelente conteúdo! Parabéns pela iniciativa!

[@josinaldoaraujo3047]

Show de bola!!! Parabéns, sem enrolação nem indução ao erro como alguns vídeos que tem por aí. Já vi vários vídeos que só dão erro, mas agora deu certo! Obrigado! Vou fazer vários testes, qualquer coisa volta aqui pra tirar dúvidas, pode ser?

[@mathewsrodrigues]

Muito bom! Excelente didática!!

[@lorrangomes8076]

Parabéns

[@jonathanjesua1004]

Sucesso! 🍀

[@valmirrastelyjunior9400]

Excelente

[@elizabethregina1460]

Muito bom!!!

[@nubiamaria9864]

Onde os arquivos estavam armazenados, para entender era esses arquivos?

[@henriquemiranda4299]

Muito boa explicação. Porem aparece o seguinte erro para mim na parte das tabelas. AttributeError: module 'tabula' has no attribute 'read_pdf'

[@eduardolessa5140]

Bom dia! Eu consigo visualizar tabelas especificas, por exemplo, suponhamos que tenha 6 tabelas no documento, porém, só quero visualizar as tabelas 1, 3 e 5, como fazer:?

[@lourenzitt]

Boa noite! Primeiramente seu conteúdo é um dos melhores que já vi sobre extração de dados em PDF! Eu usava um loop diferente do seu para extrair várias páginas, mas sua forma ficou mais otimizada, parabéns! Mas, gostaria de pedir uma ajuda, eu estou extraindo dados de um PDF com 13 mil páginas, estou convertendo em .TXT para poder dizer "qual linha eu quero extrair" especificamente. Contudo, pelo LOOP ele vai gerar 13 mil arquivos de .TXT. Como eu faria para tudo isso ficar em apenas um arquivo? Muito obrigado!

[@f3loc451]

Olá, você pode criar um arquivo .txt único, percorrer todas as páginas do PDF, extrair os dados e escrevê-los no arquivo .txt único, vou colocar um exemplo de código aqui, espero que ajude: from PyPDF2 import PdfReader # Caminho para o arquivo PDF pdf_path = 'caminho_para_o_seu_arquivo.pdf' # Caminho para o arquivo de saída .txt output_txt_path = 'dados_extraidos.txt' # Inicializa o arquivo de saída with open(output_txt_path, 'w', encoding='utf-8') as output_file: pdf = PdfReader(pdf_path) # Percorre todas as páginas do PDF for page_num in range(len(pdf.pages)): page = pdf.pages[page_num] # Extrai o texto da página atual page_text = page.extract_text() # Escreve o texto da página no arquivo de saída output_file.write(page_text) print("Extração concluída e escrita no arquivo", output_txt_path)

[@andreclash8010]

​@@f3loc451, boa noite, tudo bem? É possível criar uma calculadora para ler notas de corretagem e gerar preço médio? Obrigado.

[@f3loc451]

@@andreclash8010 sim, é possível

[@andreclash8010]

@@f3loc451 , estou tentando fazer algo do tipo: durante 12 meses foram geradas diversas notas fiscais , gostaria de saber se é possível extrair apenas o Item "PARAFUSO" durante esses 12 meses e calcular o preço médio

[@CalebeTutogames]

@@andreclash8010 Conseguiu??

[@kevinhoglass]

Eu tenho um pdf com um monte de processos. Gostaria de saber como eu faria uma filtragem e/ou extração de todos esses numeros de processos. Eles possuem uma sequencia numerica de 20 caraacteres. Ai depois dessa extração gostaria de passar para um excel. Mas se alguem puder me ajudar só de passar todos esses processos em um txt ja seria otimo.

[@ValterRodrigues]

Olá. E como fazer para extrair um nome de pessoa e filiação, por exemplo. Imagine fazer isso de um artigo científico. Como seria o código?

[@nelson8483]

tem como fazer isso com o pycharm? estou querendo fazer um trabalho assim: tenho uma apostila de 3k paginas, com vários códigos de falhas tipo F07900 eu quero que o programa diga entre com o numero da falha : o usuário entra com a falha EX:F07900 o programa vai no pdf e busca a falha e retorno com o enunciado da falha e sua solução. qual o problema que estou enfrentando, meu programa não busca as falhas em meu computador minha pergunta. teria como carregar a apostila direto no codigo ou de outra forma pra ele fazer isso?

[@jonatapaulino]

E quando o pdf não for tipo uma tabela, agente tem que usar o regex pra formatar? Parabéns pelo vídeo.

[@rodrigomelo1306]

Sugestão de conteúdo. Extração de tabelas com imagens (pode ser um print) de uma página HTML local. Exemplo: Suponha que tenho um relatório em que exporto em HTML as informações do sistema e ao clicar no index.html aparece informações como este PDF de vendas. Como eu faria para tirar um print (pa obter as figuras também) e/ou extrair as tabelas como foi feito no exemplo do PDF ? Abração e parabéns pelo conteúdo.

[@f3loc451]

Oi Rodrigo, para extrair tabelas de um arquivo html você pode utilizar o método read_html() do pandas, ele faz justamente isso, lê uma ou mais tabelas de uma página html e as retorna como um ou mais objetos Dataframe do pandas

[@MariaSantos-nh9xb]

Não percebo muito de programação. Tem como organizar o texto extraido, no sentido de retirar os paragrafos que cria e espaçamentos?

[@f3loc451]

Tem sim, utilizando técnicas de NLP( Processamento de Linguagem Natural)

[@ReginaldoGomesify]

Olá, pode me ajudar, meu arquivo está nesse caminho=> with open('D:\Cursos\Python\LerPDF/arquivo1.pdf','rb') as file: mas não consigo abrir, já mudei o caminho e nada sempre da erro no pdf_reader

[@f3loc451]

Oi Reginaldo, podes mandar print do código com o erro?

[@jalzeriofigueira2929]

" ASPAS DUPLAS AO INVÉS DE '

[@todoosdiastemteclado2106]

Vou começar do zero. Onde baixo esse programa?

[@f3loc451]

Você pode baixar o Python nesse link: www.python.org/downloads/ Ou utilizar o Google colab que é On-line e na nuvem.

[@franciscocarvalho8540]

Não consigo rodar o código, pois, apresenta a seguinte mensagem de erro: NameError: name 'PdfReader' is not defined

[@f3loc451]

O erro tá indicando que você não definiu a variável PdfReader, dá uma olhada no teu código novamente, provavelmente não está igual o meu Francisco

[@franciscocarvalho8540]

@@f3loc451 Está tudo certinho com o código. Na realidade, acontece erro, quando tento rodar o código, nos dois exemplos que você postou. Veja abaixo: Exemplo 1 (texto) with open("nfe.pdf", 'rb') as pdf_file: pdf_reader = PdfReader(pdf_file) num_pages = len(pdf_reader.pages) for page_num in range(num_pages): page = pdf_reader.pages[page_num] text = page.extract_text() print(text) ______________________________________________________________________________ NameError Tracebak (most recente call last) Cell In[1], line 2 1 with open("nfe.pdf", 'rb') as pdf_file: 2 pdf_reader = PdfReader(pdf_file) 4 num_pages = len(pdf_reader.pages) 6 for page_num in range(num_pages): NameError: name 'PdfReader' is not defined Exemplo 2 (tabela) pdf_path = "nfe.pdf" tabelas = tabula.read_pdf(pdf_path, pages="all") _______________________________________________________________________________ NameError Tracebak (most recente call last) Cell In[1], line 3 1 pdf_path = "nfe.pdf" 3 tabelas = tabula.read_pdf(pdf_path, pages="all") NameError: name 'tabula' is not defined