PythonでPDFを読み込んでテキスト情報をExcelに変換しようと思っています。
このサイト(https://fastclassinfo.com/entry/python_pdf_to_excel/)を参考にしましたが下記のエラーメッセージが発生しました。
AttributeError
'Page' object has no attribute 'getText'
どうかお力添えを賜りたいです。よろしくお願いいたします。
import fitz
import openpyxl as px
from openpyxl.styles import Alignment
# プログラム2|PDFテキストを格納するリスト作成
item_list = []
# プログラム3|PDFファイルを開く
filename = '20180319001_1.pdf'
doc = fitz.open(filename)
# プログラム4|PDFを1ページずつテキストを取得
for page in range(len(doc)):
textblocks = doc[page].getText('blocks')
for textblock in textblocks:
if textblock[4].isspace() == False:
item_list.append([page,textblock[4]])
# プログラム5|新しいエクセルを作成
wb = px.Workbook()
ws = wb.active
# プログラム6|エクセルの書式設定
myalignment=Alignment(wrap_text=True, shrink_to_fit=False)
ws.column_dimensions['C'].width = 100
# プログラム7|エクセルのヘッダーを出力
headers = ['No', 'ページ', '内容']
for i, header in enumerate(headers):
ws.cell(row=1, column=1+i, value=headers[i])
# プログラム8|エクセルにPDFのテキストデータを出力
for y, row in enumerate(item_list):
ws.cell(row= y+2, column= 1, value= y+1)
for x, cell in enumerate(row):
ws.cell(row= y+2, column= x+2, value=item_list[y][x])
ws.cell(row= y+2, column= x+2).alignment = myalignment
# プログラム9|エクセルファイルの保存
excelname = f'{filename}_excel_convert.xlsx'
wb.save(excelname)
追記
Python 3.9.7
openpyxl Version: 3.0.4
PyMuPDF 1.21.1
range(len(doc))
ではなくrange(doc.page_count)
に、.getText('blocks')
ではなく.get_text('blocks')
になると思われます。Appendix 1: Details on Text Extraction