PDF Reader and Structurer

This project provides a Python script to analyze PDF files, extract text and images, and structure the content into a hierarchical JSON format.

English

Features

• Extracts text elements with font styles (bold, italic), sizes, and positions.
• Extracts and saves images from PDF pages.
• Removes page numbers automatically.
• Builds a hierarchical structure with headers and paragraphs.
• Outputs structured JSON for further processing.

Dependencies

• PyMuPDF (fitz)
• Python 3.x

Install dependencies:

pip install PyMuPDF

Usage

1. U need to place pdf file with reader on one folder
2. Run the script to analyze a PDF:

python reader.py

Output

• output.json: Raw page data with text and image metadata.(template)
• book_images/: Folder containing extracted images.
• final_book.json: Structured content with headers, paragraphs, and images.

Русский

Возможности

• Извлекает текстовые элементы с стилями шрифтов (жирный, курсив), размерами и позициями.
• Извлекает и сохраняет изображения со страниц PDF.
• Автоматически удаляет номера страниц.
• Строит иерархическую структуру с заголовками и параграфами.
• Выводит структурированный JSON для дальнейшей обработки.

Зависимости

• PyMuPDF (fitz)
• Python 3.x

Установите зависимости:

pip install PyMuPDF

Использование

1. Убедитесь что pdf файл и скрипт находится в одной папке
2. Запустите скрипт для анализа PDF:

python reader.py

Альтернативно, запустите весь процесс, выполнив скрипт напрямую (он запросит путь к PDF и обработает автоматически).

Вывод

• output.json: Сырые данные страниц с текстом и метаданными изображений.
• book_images/: Папка с извлеченными изображениями.
• final_book.json: Структурированное содержимое с заголовками, параграфами и изображениями.