PythonがPDFテキストの抽出に失敗しました

Question

私は同じソースから同じフォーマットの2つのpdfレポートを持っていますが、唯一の違いはレポートの日付です.2016年、2015年です。

https://www.ffiec.gov/nicpubweb/nicweb/InstitutionProfile.aspx?parID_Rssd=1039502&parDT_END=99991231

を選択2016年6月30日に

1. 移動し、トップから4番目の報告（すなわち、銀行組織システミック・リスクレポート（FR Y-15））の隣にレポートを作成]をクリックします
2. あなたの要求をクリックします財務報告書は準備ができており、開くPDFをダウンロードする
3. 繰り返し、手順1〜3を代わりに

2つのpdfのは、JPモルガンのために規制当局への申請されているステップ2で2015年12月31日を選択してください。私が望む情報は青色の数字で、左のキーで一意に識別できます。たとえば、2ページ目の最初の項目 - a。デリバティブ契約の現在のエクスポージャーは、M337によって一意に識別することができます。ここで

は、私は番号を取得しようとしたものです：

1. 私が「M337」のために、メモ帳++とCtrl-Fに2つのPDFファイルを開いたの。 2016年のpdfの場合、文字列はそこにあり、対応する数値はそれほど遅れていませんでした。 2015 PDFファイルの場合は、しかし、文字列でも数でもないが

2. を見つけることができる私は、バイナリファイルとしてpythonで

   with open('2016.pdf', 'rb') as handle: pdf_str = handle.read()

   をPDF年代を開き、pdf_strにM337を探索しました。この文字列は2016.pdfにありますが、2015.pdfにはありません

3. Adob​​e AcrobatのSave As Other機能を使用して、pdfをtxtとして保存しようとしましたが、同じ結果が得られました。 2015.txtで

誰が何が起こっているのか分かりませんか？

Answer 1

私は下の私のプロセスを参照して、ダウンロードしたテキストファイルにpdftotextを使用して、キーの文字列と関連付けられた値を見つけることができた：あなたは簡単に、バイナリファイル形式であること、そのPDFをすることはできません覚えておく必要があります

$ pdftotext FRY15_1039502_20151231.PDF 
$ grep -C 10 'M337' FRY15_1039502_20151231.txt 
b. Regulatory adjustments........................................................................................ 
4. Other off-balance sheet exposures: 
a. Gross notional amount of items subject to a 0% credit conversion factor (CCF) ............... 
b. Gross notional amount of items subject to a 20% CCF................................................ 
c. Gross notional amount of items subject to a 50% CCF................................................ 
d. Gross notional amount of items subject to a 100% CCF .............................................. 
e. Credit exposure equivalent of other off-balance sheet items (sum of 0.1 times item 4.a, 
0.2 times item 4.b, 0.5 times item 4.c, and item 4.d) ................................................... 
5. Total exposures prior to regulatory deductions (sum of items 1.h, 2.e, 3.a, and 4.e) ............. 

M337 
M339 
Y822 
M340 
Y823 
Y824 
Y825 

71624000 
387577000 
3535000 

PDFを解析するために作られた特別なPythonライブラリを使わずに文字列を検索することができます。実際には、handle.read()は、ファイルが文字列ではなくバイナリ形式で開かれたときにbytesオブジェクトを返します。私はあなたが生のバイトを検索することによって2016年のファイルでM337を見つけることができたことに驚いています。