J'essaye d'extraire le texte inclus dans ce fichier PDF en utilisant Python.

J'utilise le module PyPDF2 et j'ai le script suivant:

import PyPDF2
pdf_file = open('sample.pdf')
read_pdf = PyPDF2.PdfFileReader(pdf_file)
number_of_pages = read_pdf.getNumPages()
page = read_pdf.getPage(0)
page_content = page.extractText()
print page_content

Lorsque j'exécute le code, j'obtiens la sortie suivante qui est différente de celle incluse dans le document PDF:

!"#$%#$%&%$&'()*%+,-%./01'*23%4
5'%1$#26%3/%7/))/8%&)/26%8#3"%3"*%313/9#&)
%

Comment extraire le texte tel quel dans le document PDF?

Je cherchais une solution simple à utiliser pour python 3.x et windows. Il ne semble pas y avoir de support de textract , ce qui est malheureux, mais si vous cherchez une solution simple pour windows / python 3, vérifiez le paquet tika , vraiment simple pour lire les fichiers PDF.

Tika-Python est une liaison Python aux services Apache Tika ™ REST permettant à Tika d'être appelé nativement dans la communauté Python.

from tika import parser # pip install tika

raw = parser.from_file('sample.pdf')
print(raw['content'])

Notez que Tika est écrit en Java donc vous aurez besoin d'un runtime Java installé

Utilisez textract.

• http://textract.readthedocs.io/en/latest/
• https://github.com/deanmalmgren/textract

Il prend en charge de nombreux types de fichiers, y compris les PDF

import textract
text = textract.process("path/to/file.extension")

Regardez ce code:

import PyPDF2
pdf_file = open('sample.pdf', 'rb')
read_pdf = PyPDF2.PdfFileReader(pdf_file)
number_of_pages = read_pdf.getNumPages()
page = read_pdf.getPage(0)
page_content = page.extractText()
print page_content.encode('utf-8')

La sortie est:

!"#$%#$%&%$&'()*%+,-%./01'*23%4
5'%1$#26%3/%7/))/8%&)/26%8#3"%3"*%313/9#&)
%

Utiliser le même code pour lire un pdf de 201308FCR.pdf . La sortie est normale.

Sa documentation explique pourquoi:

def extractText(self):
    """
    Locate all text drawing commands, in the order they are provided in the
    content stream, and extract the text.  This works well for some PDF
    files, but poorly for others, depending on the generator used.  This will
    be refined in the future.  Do not rely on the order of text coming out of
    this function, as it will change if this function is made more
    sophisticated.
    :return: a unicode string object.
    """

Après avoir essayé textract (qui semblait avoir trop de dépendances) et pypdf2 (qui ne pouvait pas extraire le texte des pdfs avec lesquels j'ai testé) et tika (qui était trop lent), j'ai fini par utiliser pdftotextde xpdf (comme déjà suggéré dans une autre réponse) et vient d'appeler directement le binaire de python (vous devrez peut-être adapter le chemin à pdftotext):

import os, subprocess
SCRIPT_DIR = os.path.dirname(os.path.abspath(__file__))
args = ["/usr/local/bin/pdftotext",
        '-enc',
        'UTF-8',
        "{}/my-pdf.pdf".format(SCRIPT_DIR),
        '-']
res = subprocess.run(args, stdout=subprocess.PIPE, stderr=subprocess.PIPE)
output = res.stdout.decode('utf-8')

Il y a pdftotext qui fait fondamentalement la même chose, mais cela suppose pdftotext dans / usr / local / bin alors que je l'utilise dans AWS lambda et que je voulais l'utiliser à partir du répertoire actuel.

Btw: Pour utiliser ceci sur lambda, vous devez placer le binaire et la dépendance libstdc++.sodans votre fonction lambda. J'avais personnellement besoin de compiler xpdf. Comme les instructions pour cela feraient exploser cette réponse, je les ai mises sur mon blog personnel .

Vous voudrez peut-être utiliser à la place du xPDF éprouvé et des outils dérivés pour extraire du texte car pyPDF2 semble avoir encore divers problèmes avec l'extraction de texte.

La réponse longue est qu'il existe de nombreuses variations dans la manière dont un texte est encodé dans un PDF et qu'il peut nécessiter de décoder la chaîne PDF elle-même, puis peut avoir besoin de mapper avec CMAP, puis peut-être besoin d'analyser la distance entre les mots et les lettres, etc.

Dans le cas où le PDF est endommagé (c'est-à-dire afficher le texte correct mais lorsque la copie donne des déchets) et que vous avez vraiment besoin d'extraire du texte, vous pouvez envisager de convertir le PDF en image (en utilisant ImageMagik ), puis utiliser Tesseract pour obtenir le texte de l'image en utilisant l'OCR.

J'ai essayé de nombreux convertisseurs PDF Python et j'aime mettre à jour cette revue. Tika est l'un des meilleurs. Mais PyMuPDF est une bonne nouvelle de l'utilisateur @ehsaneha.

J'ai fait un code pour les comparer dans: https://github.com/erfelipe/PDFtextExtraction J'espère vous aider.

Tika-Python est une liaison Python aux services Apache Tika ™ REST permettant à Tika d'être appelé nativement dans la communauté Python.

from tika import parser

raw = parser.from_file("///Users/Documents/Textos/Texto1.pdf")
raw = str(raw)

safe_text = raw.encode('utf-8', errors='ignore')

safe_text = str(safe_text).replace("\n", "").replace("\\", "")
print('--- safe text ---' )
print( safe_text )

Je recommande d'utiliser pymupdf ou pdfminer.six.

Ces packages ne sont pas maintenus:

• PyPDF2, PyPDF3, PyPDF4
• pdfminer (sans .six)

Comment lire du texte pur avec pymupdf

Il existe différentes options qui donneront des résultats différents, mais la plus élémentaire est:

import fitz  # this is pymupdf

with fitz.open("my.pdf") as doc:
    text = ""
    for page in doc:
        text += page.getText()

print(text)

Le code ci-dessous est une solution à la question dans Python 3 . Avant d'exécuter le code, assurez-vous d'avoir installé la PyPDF2bibliothèque dans votre environnement. S'il n'est pas installé, ouvrez l'invite de commande et exécutez la commande suivante:

pip3 install PyPDF2

Code de la solution:

import PyPDF2
pdfFileObject = open('sample.pdf', 'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObject)
count = pdfReader.numPages
for i in range(count):
    page = pdfReader.getPage(i)
    print(page.extractText())

PyPDF2 dans certains cas ignore les espaces blancs et rend le texte du résultat un désordre, mais j'utilise PyMuPDF et je suis vraiment satisfait que vous puissiez utiliser ce lien pour plus d'informations

pdftotext est le meilleur et le plus simple! pdftotext réserve également la structure.

J'ai essayé PyPDF2, PDFMiner et quelques autres mais aucun d'entre eux n'a donné un résultat satisfaisant.

Le pdf de plusieurs pages peut être extrait sous forme de texte en un seul tronçon au lieu de donner un numéro de page individuel comme argument en utilisant le code ci-dessous

import PyPDF2
import collections
pdf_file = open('samples.pdf', 'rb')
read_pdf = PyPDF2.PdfFileReader(pdf_file)
number_of_pages = read_pdf.getNumPages()
c = collections.Counter(range(number_of_pages))
for i in c:
   page = read_pdf.getPage(i)
   page_content = page.extractText()
   print page_content.encode('utf-8')

Vous pouvez utiliser PDFtoText https://github.com/jalan/pdftotext

PDF en texte conserve l'indentation du format texte, peu importe si vous avez des tableaux.

J'ai un meilleur travail que l'OCR et pour maintenir l'alignement de la page tout en extrayant le texte d'un PDF. Devrait être utile:

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from io import StringIO

def convert_pdf_to_txt(path):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    fp = open(path, 'rb')
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    password = ""
    maxpages = 0
    caching = True
    pagenos=set()


    for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True):
        interpreter.process_page(page)


    text = retstr.getvalue()

    fp.close()
    device.close()
    retstr.close()
    return text

text= convert_pdf_to_txt('test.pdf')
print(text)

En 2020, les solutions ci-dessus ne fonctionnaient pas pour le pdf particulier avec lequel je travaillais. Voici ce qui a fait le tour. Je suis sous Windows 10 et Python 3.8

Fichier pdf de test: https://drive.google.com/file/d/1aUfQAlvq5hA9kz2c9CyJADiY3KpY3-Vn/view?usp=sharing

#pip install pdfminer.six
import io

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage


def convert_pdf_to_txt(path):
    '''Convert pdf content from a file path to text

    :path the file path
    '''
    rsrcmgr = PDFResourceManager()
    codec = 'utf-8'
    laparams = LAParams()

    with io.StringIO() as retstr:
        with TextConverter(rsrcmgr, retstr, codec=codec,
                           laparams=laparams) as device:
            with open(path, 'rb') as fp:
                interpreter = PDFPageInterpreter(rsrcmgr, device)
                password = ""
                maxpages = 0
                caching = True
                pagenos = set()

                for page in PDFPage.get_pages(fp,
                                              pagenos,
                                              maxpages=maxpages,
                                              password=password,
                                              caching=caching,
                                              check_extractable=True):
                    interpreter.process_page(page)

                return retstr.getvalue()


if __name__ == "__main__":
    print(convert_pdf_to_txt('C:\\Path\\To\\Test_PDF.pdf')) 

Voici le code le plus simple pour extraire du texte

code:

# importing required modules
import PyPDF2

# creating a pdf file object
pdfFileObj = open('filename.pdf', 'rb')

# creating a pdf reader object
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)

# printing number of pages in pdf file
print(pdfReader.numPages)

# creating a page object
pageObj = pdfReader.getPage(5)

# extracting text from page
print(pageObj.extractText())

# closing the pdf file object
pdfFileObj.close()

J'ai trouvé une solution ici PDFLayoutTextStripper

C'est bien car il peut conserver la mise en page du PDF d'origine .

Il est écrit en Java mais j'ai ajouté une passerelle pour prendre en charge Python.

Exemple de code:

from py4j.java_gateway import JavaGateway

gw = JavaGateway()
result = gw.entry_point.strip('samples/bus.pdf')

# result is a dict of {
#   'success': 'true' or 'false',
#   'payload': pdf file content if 'success' is 'true'
#   'error': error message if 'success' is 'false'
# }

print result['payload']

Exemple de sortie de PDFLayoutTextStripper :

Vous pouvez voir plus de détails ici Stripper avec Python

Pour extraire le texte du PDF, utilisez le code ci-dessous

import PyPDF2
pdfFileObj = open('mypdf.pdf', 'rb')

pdfReader = PyPDF2.PdfFileReader(pdfFileObj)

print(pdfReader.numPages)

pageObj = pdfReader.getPage(0)

a = pageObj.extractText()

print(a)

Une manière plus robuste, en supposant qu'il y ait plusieurs PDF ou un seul!

import os
from PyPDF2 import PdfFileWriter, PdfFileReader
from io import BytesIO

mydir = # specify path to your directory where PDF or PDF's are

for arch in os.listdir(mydir): 
    buffer = io.BytesIO()
    archpath = os.path.join(mydir, arch)
    with open(archpath) as f:
            pdfFileObj = open(archpath, 'rb')
            pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
            pdfReader.numPages
            pageObj = pdfReader.getPage(0) 
            ley = pageObj.extractText()
            file1 = open("myfile.txt","w")
            file1.writelines(ley)
            file1.close()
            

Si vous souhaitez extraire du texte d'un tableau, j'ai trouvé que le tabula était facilement implémenté, précis et rapide:

pour obtenir un dataframe pandas:

import tabula

df = tabula.read_pdf('your.pdf')

df

Par défaut, il ignore le contenu de la page en dehors du tableau. Jusqu'à présent, je n'ai testé que sur un fichier d'une seule page et d'une seule table, mais il existe des kwargs pour accueillir plusieurs pages et / ou plusieurs tables.

installer via:

pip install tabula-py
# or
conda install -c conda-forge tabula-py 

En termes d'extraction de texte directe, voir: https://stackoverflow.com/a/63190886/9249533

J'ajoute du code pour accomplir ceci: cela fonctionne bien pour moi:

# This works in python 3
# required python packages
# tabula-py==1.0.0
# PyPDF2==1.26.0
# Pillow==4.0.0
# pdfminer.six==20170720

import os
import shutil
import warnings
from io import StringIO

import requests
import tabula
from PIL import Image
from PyPDF2 import PdfFileWriter, PdfFileReader
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfpage import PDFPage

warnings.filterwarnings("ignore")


def download_file(url):
    local_filename = url.split('/')[-1]
    local_filename = local_filename.replace("%20", "_")
    r = requests.get(url, stream=True)
    print(r)
    with open(local_filename, 'wb') as f:
        shutil.copyfileobj(r.raw, f)

    return local_filename


class PDFExtractor():
    def __init__(self, url):
        self.url = url

    # Downloading File in local
    def break_pdf(self, filename, start_page=-1, end_page=-1):
        pdf_reader = PdfFileReader(open(filename, "rb"))
        # Reading each pdf one by one
        total_pages = pdf_reader.numPages
        if start_page == -1:
            start_page = 0
        elif start_page < 1 or start_page > total_pages:
            return "Start Page Selection Is Wrong"
        else:
            start_page = start_page - 1

        if end_page == -1:
            end_page = total_pages
        elif end_page < 1 or end_page > total_pages - 1:
            return "End Page Selection Is Wrong"
        else:
            end_page = end_page

        for i in range(start_page, end_page):
            output = PdfFileWriter()
            output.addPage(pdf_reader.getPage(i))
            with open(str(i + 1) + "_" + filename, "wb") as outputStream:
                output.write(outputStream)

    def extract_text_algo_1(self, file):
        pdf_reader = PdfFileReader(open(file, 'rb'))
        # creating a page object
        pageObj = pdf_reader.getPage(0)

        # extracting extract_text from page
        text = pageObj.extractText()
        text = text.replace("\n", "").replace("\t", "")
        return text

    def extract_text_algo_2(self, file):
        pdfResourceManager = PDFResourceManager()
        retstr = StringIO()
        la_params = LAParams()
        device = TextConverter(pdfResourceManager, retstr, codec='utf-8', laparams=la_params)
        fp = open(file, 'rb')
        interpreter = PDFPageInterpreter(pdfResourceManager, device)
        password = ""
        max_pages = 0
        caching = True
        page_num = set()

        for page in PDFPage.get_pages(fp, page_num, maxpages=max_pages, password=password, caching=caching,
                                      check_extractable=True):
            interpreter.process_page(page)

        text = retstr.getvalue()
        text = text.replace("\t", "").replace("\n", "")

        fp.close()
        device.close()
        retstr.close()
        return text

    def extract_text(self, file):
        text1 = self.extract_text_algo_1(file)
        text2 = self.extract_text_algo_2(file)

        if len(text2) > len(str(text1)):
            return text2
        else:
            return text1

    def extarct_table(self, file):

        # Read pdf into DataFrame
        try:
            df = tabula.read_pdf(file, output_format="csv")
        except:
            print("Error Reading Table")
            return

        print("\nPrinting Table Content: \n", df)
        print("\nDone Printing Table Content\n")

    def tiff_header_for_CCITT(self, width, height, img_size, CCITT_group=4):
        tiff_header_struct = '<' + '2s' + 'h' + 'l' + 'h' + 'hhll' * 8 + 'h'
        return struct.pack(tiff_header_struct,
                           b'II',  # Byte order indication: Little indian
                           42,  # Version number (always 42)
                           8,  # Offset to first IFD
                           8,  # Number of tags in IFD
                           256, 4, 1, width,  # ImageWidth, LONG, 1, width
                           257, 4, 1, height,  # ImageLength, LONG, 1, lenght
                           258, 3, 1, 1,  # BitsPerSample, SHORT, 1, 1
                           259, 3, 1, CCITT_group,  # Compression, SHORT, 1, 4 = CCITT Group 4 fax encoding
                           262, 3, 1, 0,  # Threshholding, SHORT, 1, 0 = WhiteIsZero
                           273, 4, 1, struct.calcsize(tiff_header_struct),  # StripOffsets, LONG, 1, len of header
                           278, 4, 1, height,  # RowsPerStrip, LONG, 1, lenght
                           279, 4, 1, img_size,  # StripByteCounts, LONG, 1, size of extract_image
                           0  # last IFD
                           )

    def extract_image(self, filename):
        number = 1
        pdf_reader = PdfFileReader(open(filename, 'rb'))

        for i in range(0, pdf_reader.numPages):

            page = pdf_reader.getPage(i)

            try:
                xObject = page['/Resources']['/XObject'].getObject()
            except:
                print("No XObject Found")
                return

            for obj in xObject:

                try:

                    if xObject[obj]['/Subtype'] == '/Image':
                        size = (xObject[obj]['/Width'], xObject[obj]['/Height'])
                        data = xObject[obj]._data
                        if xObject[obj]['/ColorSpace'] == '/DeviceRGB':
                            mode = "RGB"
                        else:
                            mode = "P"

                        image_name = filename.split(".")[0] + str(number)

                        print(xObject[obj]['/Filter'])

                        if xObject[obj]['/Filter'] == '/FlateDecode':
                            data = xObject[obj].getData()
                            img = Image.frombytes(mode, size, data)
                            img.save(image_name + "_Flate.png")
                            # save_to_s3(imagename + "_Flate.png")
                            print("Image_Saved")

                            number += 1
                        elif xObject[obj]['/Filter'] == '/DCTDecode':
                            img = open(image_name + "_DCT.jpg", "wb")
                            img.write(data)
                            # save_to_s3(imagename + "_DCT.jpg")
                            img.close()
                            number += 1
                        elif xObject[obj]['/Filter'] == '/JPXDecode':
                            img = open(image_name + "_JPX.jp2", "wb")
                            img.write(data)
                            # save_to_s3(imagename + "_JPX.jp2")
                            img.close()
                            number += 1
                        elif xObject[obj]['/Filter'] == '/CCITTFaxDecode':
                            if xObject[obj]['/DecodeParms']['/K'] == -1:
                                CCITT_group = 4
                            else:
                                CCITT_group = 3
                            width = xObject[obj]['/Width']
                            height = xObject[obj]['/Height']
                            data = xObject[obj]._data  # sorry, getData() does not work for CCITTFaxDecode
                            img_size = len(data)
                            tiff_header = self.tiff_header_for_CCITT(width, height, img_size, CCITT_group)
                            img_name = image_name + '_CCITT.tiff'
                            with open(img_name, 'wb') as img_file:
                                img_file.write(tiff_header + data)

                            # save_to_s3(img_name)
                            number += 1
                except:
                    continue

        return number

    def read_pages(self, start_page=-1, end_page=-1):

        # Downloading file locally
        downloaded_file = download_file(self.url)
        print(downloaded_file)

        # breaking PDF into number of pages in diff pdf files
        self.break_pdf(downloaded_file, start_page, end_page)

        # creating a pdf reader object
        pdf_reader = PdfFileReader(open(downloaded_file, 'rb'))

        # Reading each pdf one by one
        total_pages = pdf_reader.numPages

        if start_page == -1:
            start_page = 0
        elif start_page < 1 or start_page > total_pages:
            return "Start Page Selection Is Wrong"
        else:
            start_page = start_page - 1

        if end_page == -1:
            end_page = total_pages
        elif end_page < 1 or end_page > total_pages - 1:
            return "End Page Selection Is Wrong"
        else:
            end_page = end_page

        for i in range(start_page, end_page):
            # creating a page based filename
            file = str(i + 1) + "_" + downloaded_file

            print("\nStarting to Read Page: ", i + 1, "\n -----------===-------------")

            file_text = self.extract_text(file)
            print(file_text)
            self.extract_image(file)

            self.extarct_table(file)
            os.remove(file)
            print("Stopped Reading Page: ", i + 1, "\n -----------===-------------")

        os.remove(downloaded_file)


# I have tested on these 3 pdf files
# url = "http://s3.amazonaws.com/NLP_Project/Original_Documents/Healthcare-January-2017.pdf"
url = "http://s3.amazonaws.com/NLP_Project/Original_Documents/Sample_Test.pdf"
# url = "http://s3.amazonaws.com/NLP_Project/Original_Documents/Sazerac_FS_2017_06_30%20Annual.pdf"
# creating the instance of class
pdf_extractor = PDFExtractor(url)

# Getting desired data out
pdf_extractor.read_pages(15, 23)

Vous pouvez télécharger tika-app-xxx.jar (dernier) à partir d' ici .

Ensuite, placez ce fichier .jar dans le même dossier que votre fichier de script python.

puis insérez le code suivant dans le script:

import os
import os.path

tika_dir=os.path.join(os.path.dirname(__file__),'<tika-app-xxx>.jar')

def extract_pdf(source_pdf:str,target_txt:str):
    os.system('java -jar '+tika_dir+' -t {} > {}'.format(source_pdf,target_txt))

L'avantage de cette méthode:

moins de dépendance. Un fichier .jar unique est plus facile à gérer qu'un package python.

support multi-format. La position source_pdfpeut être le répertoire de tout type de document. (.doc, .html, .odt, etc.)

à jour. tika-app.jar est toujours publié avant la version appropriée du paquet tika python.

stable. Il est beaucoup plus stable et bien entretenu (Powered by Apache) que PyPDF.

désavantage:

Un jre-headless est nécessaire.

Si vous l'essayez dans Anaconda sous Windows, PyPDF2 peut ne pas gérer certains des PDF avec une structure non standard ou des caractères Unicode. Je recommande d'utiliser le code suivant si vous avez besoin d'ouvrir et de lire beaucoup de fichiers pdf - le texte de tous les fichiers pdf dans le dossier avec le chemin relatif .//pdfs//sera stocké dans la liste pdf_text_list.

from tika import parser
import glob

def read_pdf(filename):
    text = parser.from_file(filename)
    return(text)


all_files = glob.glob(".\\pdfs\\*.pdf")
pdf_text_list=[]
for i,file in enumerate(all_files):
    text=read_pdf(file)
    pdf_text_list.append(text['content'])

print(pdf_text_list)

PyPDF2 fonctionne, mais les résultats peuvent varier. Je vois des résultats assez incohérents lors de l'extraction des résultats.

reader=PyPDF2.pdf.PdfFileReader(self._path)
eachPageText=[]
for i in range(0,reader.getNumPages()):
    pageText=reader.getPage(i).extractText()
    print(pageText)
    eachPageText.append(pageText)

Comment extraire du texte d'un fichier PDF?

La première chose à comprendre est le format PDF . Il a une spécification publique écrite en anglais, voir ISO 32000-2: 2017 et lire les plus de 700 pages de la spécification PDF 1.7 . Vous avez certainement au moins besoin de lire la page wikipedia sur PDF

Une fois que vous avez compris les détails du format PDF, extraire du texte est plus ou moins facile (mais qu'en est-il du texte apparaissant en figures ou en images; sa figure 1)? Ne vous attendez pas à écrire seul un extracteur de texte logiciel parfait en quelques semaines ...

Sous Linux, vous pouvez également utiliser pdf2text que vous pouvez extraire de votre code Python.

En général, l'extraction de texte à partir d'un fichier PDF est un problème mal défini. Pour un lecteur humain, un texte pourrait être fait (sous forme de figure) à partir de différents points, ou d'une photo, etc.

Le moteur de recherche Google est capable d'extraire du texte à partir de PDF, mais il aurait besoin de plus d'un demi-milliard de lignes de code source. Avez-vous les ressources nécessaires (en personnel, en budget) pour développer un concurrent?

Une possibilité pourrait être d'imprimer le PDF sur une imprimante virtuelle (par exemple en utilisant GhostScript ou Firefox ), puis d'utiliser des techniques OCR pour extraire du texte.

Je recommanderais plutôt de travailler sur la représentation des données qui a généré ce fichier PDF, par exemple sur le code LaTeX original (ou le code Lout ) ou sur le code OOXML .

Dans tous les cas, vous devez prévoir au moins plusieurs années-personnes de développement logiciel.