目次
LangChainで日本語対応しているPDFMinerLoader()を使用してPDFからページ番号を取得する方法について、この記事では具体的な手順をご紹介します。この方法を活用することで、PDFの各ページを個別に扱う際に便利なページ番号を簡単に取得できます。
やり方
PDFの各ページからページ番号を取得するには、以下の手順に従ってください。
PDFMinerLoader()の引数設定
まず、PDFMinerLoader()の引数にconcatenate_pages=Falseを指定することが重要です。このオプションは、PDFの全ページを一つに連結するかどうかを指定します。デフォルトではTrueに設定されていますが、Falseに変更することでDocumentオブジェクトにページ番号を追加できるようになります。
コード
以下に、LangChainのPDFMinerLoaderを使用してPDFを読み込み、各ページからページ番号を取得する方法を示すコード例を示します。
from langchain.document_loaders import PDFMinerLoader
# PDFファイルのパスを指定
pdf_path = "path/to/your/document.pdf"
# concatenate_pages=False を指定してPDFをロード
loader = PDFMinerLoader(pdf_path, concatenate_pages=False)
# ドキュメントをロード
documents = loader.load()
# 各ページの内容とページ番号を表示
for i, doc in enumerate(documents):
page_content = doc.page_content
page_number = doc.metadata.get("page", i + 1) # ページ番号がない場合はインデックスを使用
print(f"Page {page_number}:\n{page_content}\n")
動作説明
- PDFファイルのパスを指定: PDFファイルのパスを
pdf_path変数に指定します。 PDFMinerLoaderを使用してPDFをロード:concatenate_pages=Falseを指定してPDFMinerLoaderを初期化し、PDFファイルをロードします。- ドキュメントをロード:
loader.load()メソッドを使用して、PDFの内容をロードします。このメソッドは、各ページが個別のDocumentオブジェクトとして返されます。 - 各ページの内容とページ番号を表示: ループを使用して、各ページの内容(
page_content)とページ番号(metadata["page"])を表示します。ページ番号が取得できない場合は、インデックスをページ番号として使用します。
この方法を用いることで、LangChainのPDFMinerLoaderを使用してPDFからページ番号を簡単に取得することができます。PDFの内容をページごとに詳細に分析したい場合に特に役立ちます。