PDFContentConverter 0.7

如何

• 传递要转换为PDFContentConverter的PDF文件的路径。在
• 调用函数pdf2pandas()。然后，PDF内容作为pandas数据帧返回。在
• PDF的媒体框可以使用get_media_boxes()，页面计数超过get_page_count()，文档文本使用pdf2text()。在
• 使用convert()函数，pandas数据帧、文本文档内容、媒体框和页数将作为字典返回。在

示例调用：

converter = PDFContentConverter(pdf)

result = converter.pdf2pandas()

输出格式

包含转换后的PDF数据的输出存储为pandas dataframe。在

不同的PDF元素以行的形式存储。在

数据帧包含以下列：

• id：PDF元素的唯一标识符
• page：页码，从0开始
• text：PDF元素的文本
• x_0：左x坐标
• x_1：右x坐标
• y_0：上y坐标
• y_1：底部y坐标
• pos_x：中心x坐标
• pos_y：中心y坐标
• abs_pos：包含(pos_x,pos_y)坐标的独立于页面的表示的元组
• original_font：pdfminer提取的字体
• font_name：从original_font中提取的字体的名称
• code：pdfminer提供的字体代码
• bold：因子1表示文本为粗体，否则为0
• italic：因子1表示文本为斜体，否则为0
• font_size：以磅为单位的文本大小
• masked：数字内容替换为#的文本
• frequency_hist：文本中字符类型频率的直方图，存储为包含文本、数字、文本符号和其他符号百分比的元组
• len_text：字符数
• n_tokens：字数
• tag：用于键-值对提取的标记，根据简单的启发式方法指示键或值
• box：由pdfminer布局分析提取的框
• in_element_ids：包含周围可视元素（如矩形或列表）的ID。它们以列表形式存储[左、右、上、下]。-1表示没有相邻的可视元素。在
• in_element：根据in*element_id指示元素是否存储在可视矩形表示（存储为“矩形”）中（存储为“none”）。在

此外，还将返回一个包含以下条目的字典

可用于转换绝对CSV坐标：

• x0：左x页裁剪框坐标
• x1：右x页裁剪框坐标
• y0：上y页裁剪框坐标
• y1：下y页裁剪框坐标
• x0page：左x页面坐标
• x1page：右x页面坐标
• y0page：上y页坐标
• y1page：下y页坐标

当使用convert()时，两者都返回到字典中。在

数据帧存储为“内容”，页面特征存储为“媒体盒”，文本内容存储为“文本”，页数存储为“页数”。在

致谢

• 这项工作是建立在pdfminer项目https://github.com/euske/pdfminer之上的。在