Extraire les pages d'un PDF

Extraire les pages d'un PDF et nommer les fichiers résultant avec une donnée contenu dans chaque page.

• Using PDFPlumber for PDF data extraction
• https://github.com/jsvine/pdfplumber

import os
import pdfplumber
from pypdf import PdfReader, PdfWriter
import re
 
# Le fichier source PDF
pdf_path = "./le gros fichier.pdf"
 
# Dossier de sortie
output_folder = "pages"
os.makedirs(output_folder, exist_ok=True)
 
# Lecture avec pdfplumber pour extraire le texte
with pdfplumber.open(pdf_path) as pdf:
    for i, page in enumerate(pdf.pages):
        text = page.extract_text()
 
        match = re.search(r"Facture\s*:\s*(\w+)", text)
 
        if match:
            nom_fichier = match.group(1)
        else:
            nom_fichier = f"page_{i+1}"  # nom générique si rien trouvé
 
        # Extraire la page avec PyPDF
        reader = PdfReader(pdf_path)
        writer = PdfWriter()
        writer.add_page(reader.pages[i])
 
        # et l’enregistrer
        output_path = os.path.join(output_folder, f"{nom_fichier}.pdf")
        with open(output_path, "wb") as f_out:
            writer.write(f_out)
 
        print(f"Page {i+1} enregistrée sous : {output_path}")