Lecteur de métadonnées Fast Python PDF

Question

Je suis à la recherche d'une bibliothèque Python très rapide et légère pour lire les métadonnées PDF. Je n'ai pas besoin de capacités d'écriture. Il serait préférable que seules les informations de métadonnées soient chargées, pas le fichier entier.

Je réalise qu'un langage interprété comme Python n'est pas le meilleur choix pour la vitesse, mais comme cette solution doit être multiplateforme et fonctionner avec une application Python existante, il ne semble pas y avoir beaucoup de choix. J'ai extrait pyPdf et quelques autres bibliothèques, mais je recherche idéalement quelque chose de plus léger et plus rapide, adapté pour traiter des dizaines de milliers de fichiers en une seule fois.

Merci.

Answer 1

Avez-vous vu this répondre à une question similaire? Il suggère d'utiliser fopen et d'analyser manuellement les métadonnées. Si les métadonnées sont tout ce dont vous avez besoin, vous pouvez l'analyser vous-même et le faire aussi vite que vous le souhaitez.

Answer 2

Here's something I just put together, construit au-dessus de la bibliothèque Python PDFMiner. Vous pouvez extraire à la fois les métadonnées "Info" et XMP.

Answer 3

Il est un peu cru, mais cela devrait vous obtenir les données méta

f = open('file.pdf', 'r') 
pdfdata=f.read() 
metas=re.findall('<</Metadata(.*?)>>',pdfdata) 

Answer 4

pdfrw peut lire les métadonnées sans lecture analyse syntaxique le fichier entier. (Disclaimer: Je suis l'auteur de pdfrw.) Par exemple:

>>> from pdfrw import PdfReader 
>>> PdfReader('pdf_reference_1-7.pdf').Info 
{'/Title': '(PDF Reference, version 1.7)', 
'/CreationDate': '(D:20061017081020Z)', 
'/Producer': '(Acrobat Distiller 7.0.5 \\(Windows\\))', 
'/Creator': '(FrameMaker 7.2)', 
'/ModDate': "(D:20061118211043-02'30')", 
'/Author': '(Adobe Systems Incorporated)', 
'/Subject': '(Adobe Portable Document Format \\(PDF\\))'}