معرفی شرکت ها
documentparser-1.0a1
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
A simple CLI tool that allow to extract all text contained into a document.
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | documentparser-1.0a1 |
| نام | documentparser |
| نسخه کتابخانه | 1.0a1 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Roberto Ferro |
| ایمیل نویسنده | roberto.ferro@ikdev.eu |
| آدرس صفحه اصلی | https://github.com/RobyFerro/DocumentParser |
| آدرس اینترنتی | https://pypi.org/project/documentparser/ |
| مجوز | - |
#Document Parser
>A simple CLI tool that allow to extract all text contained into a document.
## Installation
Execute the followings command to before installing DocumentParser
#### Debian/Ubuntu
* sudo apt-get update
* sudo apt-get install build-essential libpoppler-cpp-dev pkg-config python-dev
* apt-get install python-dev libxml2-dev libxslt1-dev antiword unrtf poppler-utils pstotext tesseract-ocr \
flac ffmpeg lame libmad0 libso-fmt-mp3 sox libjpeg-dev swigx
* pip install docparser
#### MacOSx
* brew install pkg-config poppler
* brew cask install xquartz
* brew install poppler antiword unrtf tesseract swig
#### Fedora / CentOS
Before you start you've to know that there's no a quickly way to install DocParser in a Fedora based system.
This is caused by some missing dependences. This can be the hardest way, but in the end you'll be proud of yourself XD.
* yum -y update
* yum install python-pip
>Required by the .docx parser which uses lxml via python-docx.
* yum install libxml2 libxslt-devel libxml2-devel
>Required by the .docx parser which users lxml via python-docx.
* yum install libxslt
>Required by the .doc and .ps parser.
* wget https://forensics.cert.org/cert-forensics-tools-release-el7.rpm
* rpm -Uvh cert-forensics-tools-release*rpm
* yum --enablerepo=forensics install antiword
* yum --enablerepo=forensics install pstotext
>Require by .pdf parser
*yum install poppler-utils
>Requred by .jpg, .png, gif parser
* cd /opt
* yum -y install libstdc++ autoconf automake libtool autoconf-archive pkg-config gcc gcc-c++ make libjpeg-devel libpng-devel libtiff-devel zlib-devel
>Install AutoConf-Archive
* wget ftp://mirror.switch.ch/pool/4/mirror/epel/7/ppc64/a/autoconf-archive-2016.09.16-1.el7.noarch.rpm
* rpm -i autoconf-archive-2016.09.16-1.el7.noarch.rpm
>Install Leptonica from Source
* wget http://www.leptonica.com/source/leptonica-1.75.3.tar.gz
* tar -zxvf leptonica-1.75.3.tar.gz
* cd leptonica-1.75.3
* ./autobuild
* ./configure
* make
* make install
* cd ..
>Install Tesseract from Source
* wget https://github.com/tesseract-ocr/tesseract/archive/3.05.01.tar.gz
* tar -zxvf 3.05.01.tar.gz
* cd tesseract-3.05.01
* ./autogen.sh
* PKG_CONFIG_PATH=/usr/local/lib/pkgconfig LIBLEPT_HEADERSDIR=/usr/local/include ./configure --with-extra-includes=/usr/local/include --with-extra-libraries=/usr/local/lib
* LDFLAGS="-L/usr/local/lib" CFLAGS="-I/usr/local/include" make
* make install
* ldconfig
* cd ..
>Download and install tesseract language files
* wget https://github.com/tesseract-ocr/tessdata/raw/3.04.00/ben.traineddata
* wget https://github.com/tesseract-ocr/tessdata/raw/3.04.00/eng.traineddata
* wget https://github.com/tesseract-ocr/tessdata/raw/3.04.00/hin.traineddata
* wget https://github.com/tesseract-ocr/tessdata/raw/3.04.00/tha.traineddata
* wget https://github.com/tesseract-ocr/tessdata/raw/3.04.00/osd.traineddata
* mv *.traineddata /usr/local/share/tessdata
>Download Hindi Cube data
* wget https://github.com/tesseract-ocr/tessdata/raw/3.04.00/hin.cube.bigrams
* wget https://github.com/tesseract-ocr/tessdata/raw/3.04.00/hin.cube.fold
* wget https://github.com/tesseract-ocr/tessdata/raw/3.04.00/hin.cube.lm
* wget https://github.com/tesseract-ocr/tessdata/raw/3.04.00/hin.cube.nn
* wget https://github.com/tesseract-ocr/tessdata/raw/3.04.00/hin.cube.params
* wget https://github.com/tesseract-ocr/tessdata/raw/3.04.00/hin.cube.word-freq
* wget https://github.com/tesseract-ocr/tessdata/raw/3.04.00/hin.tesseract_cube.nn
* mv hin.* /usr/local/share/tessdata
* ln -s /opt/tesseract-3.05.01 /opt/tesseract-latest
>Required by .mp3 and .ogg parser
* yum install sox
* rm cert-forensics-tools-release-el7.rpm
>Install textract without unsupported features
* git clone https://github.com/deanmalmgren/textract.git
* rm textract/requirements/python && cp requirements/textract/python textract/requirements/python
* cd textract && chmod +x setup.py
* python setup.py install
* yum install gcc-c++ pkgconfig poppler-cpp-devel python-devel redhat-rpm-config
نحوه نصب
نصب پکیج whl documentparser-1.0a1:
pip install documentparser-1.0a1.whl
نصب پکیج tar.gz documentparser-1.0a1:
pip install documentparser-1.0a1.tar.gz