Fast Python PDF-Metadaten-Reader

Question

Ich bin auf der Suche nach einer sehr schnellen, leichten Python-Bibliothek zum Lesen von PDF-Metadaten. Ich brauche keine Schreibfähigkeiten. Es wäre besser, wenn nur die Metadateninformationen geladen werden, nicht die gesamte Datei.

Ich realisiere eine interpretierte Sprache wie Python ist nicht die beste Wahl für die Geschwindigkeit, aber da diese Lösung plattformübergreifend sein und mit einer bestehenden Python-Anwendung arbeiten muss, scheint es keine große Wahl zu sein.

Ich habe pyPdf und einige andere Bibliotheken ausgecheckt, bin aber im Idealfall auf der Suche nach etwas leichter und schneller, geeignet für die Verarbeitung von Zehntausenden von Dateien in einem Rutsch.

Vielen Dank.

Answer 1

Haben Sie gesehen this Antwort auf eine ähnliche Frage? Es schlägt vor, fopen zu verwenden und die Metadaten manuell zu analysieren. Wenn die Metadaten alles sind, was Sie brauchen, können Sie es selbst analysieren und so schnell wie Sie möchten.

Answer 2

Here's something I just put together, auf der Python PDFMiner-Bibliothek erstellt. Sie können damit sowohl Metadaten vom Typ "Info" als auch vom XMP-Typ extrahieren.

Answer 3

Es ist ein wenig Raw, aber das sollten Sie die Meta-Daten

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

Answer 4

pdfrw können die Metadaten lesen, ohne Lesen die gesamte Datei Parsen. (Disclaimer: Ich bin der Autor von pdfrw.) Zum Beispiel:

>>> 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\\))'}