Eu estou criando um script para pegar um pdf e reescreve-ló em texto.
from StringIO import StringIO
from slate import PDF
from subprocess import Popen, PIPE, call
import uuid
#pego pdf existente
url = "/tmp/arquivo.pdf"
with open(url, "r") as arq:
out = arq.read()
#novo arquivo para parsear o pdf
newfile = "/tmp/teste/" + str(uuid.uuid4()) + ".txt"
with open(newfile, "wb") as arq:
arq.write(out)
Porém a saída é esta:
'PDF-1.7\r\n%\xa1\xb3\xc5\xd7\r\n1 0 obj\r\n<>>>\r\nendobj\r\n2 0 obj\r\n<
O resultado não foi o esperado e uma pessoa me passou sobre o call (mas não me explicou) e sobre PDFbox do Java, daí ele me passou esse código:
call(["java", "-jar", "/tmp/teste/pdfbox-app-2.0.3.jar", "ExtractText", out, newfile])
Tentei usar mas não consegui, já começa dando erro pelo "java". Fiz teste chamando "python" e funciona mas não é isso que eu preciso.
Pesquisei mas não encontrei fazendo uma chamada pra Java como exemplo. Será que rola usar?
Eu quero um texto legível e que o pdf seja impresso na ordem certa (respeitando colunas, linhas, etc..) Como que faço para converter um pdf em um texto?