Python库PDFPL不提取行

Question

我试图使用pdfplumber从pdf文档中逐行提取文本

我可以从pdf文档中打开一页，并逐页查看文本

pdf = pdfplumber.open(data_drive_os+dataloc+'/'+ file + '.pdf')

page = pdf.pages[0]
print(page.extract_text())

这将产生以下文本：

Anti-Money Laundering and 
Counter-Terrorism Financing Act 2006 
No. 169, 2006 
Compilation No. 48 
Compilation date:      20 December 2018 
Includes amendments up to:  Act No. 156, 2018 
Registered:        7 January 2019 
 
Prepared by the Office of Parliamentary Counsel, Canberra 
Authorised Version C2019C00011 registered 07/01/2019

所以我知道文本就在那里。但是，当我尝试逐行提取文本时，它返回一个空列表：

print(page.lines)

返回：

[]

我还可以提取字符：

print(page.chars)

返回：

[{'fontname': 'ABCDEE+Times New Roman', 'adv': Decimal('2.010'), 'upright': 1, 'x0': Decimal('120.500'), 'y0': Decimal('797.823'), 'x1': Decimal('122.510'), 'y1': Decimal('805.863'), 'width': Decimal('2.010'), 'height': Decimal('8.040'), 'size': Decimal('8.040'), 'object_type': 'char', 'page_number': 1, 'stroking_color': 0, 'non_stroking_color': 0, 'text': ' ', 'top': Decimal('36.057'), 'bottom': Decimal('44.097'), 'doctop': Decimal('36.057')}, {'fontname': 'ABCDEE+Times New Roman', 'adv': Decimal('6.138'), 'upright': 1, 'x0': Decimal('120.500'), 'y0': Decimal('170.315'), 'x1': Decimal('126.638'), 'y1': Decimal('181.355'), 'width': Decimal('6.138'), 'height': Decimal('11.040'), 'size': Decimal('11.040'), 'object_type': 'char', 'page_number': 1, 'stroking_color': 0, 'non_stroking_color': 0, 'text': 'P', 'top': Decimal('660.565'), 'bottom': Decimal('671.605'), 'doctop': Decimal('660.565')}, {'fontname': 'ABCDEE+Times New Roman', 'adv': Decimal('3.676'), 'upright': 1, 'x0': Decimal('126.638'), 'y0': Decimal('170.315'), 'x1': Decimal('130.315'), 'y1': Decimal('181.355'), 'width': Decimal('3.676'), 'height': Decimal('11.040'), 'size': Decimal('11.040'), 'object_type': 'char', 'page_number': 1, 'stroking_color': 0, 'non_stroking_color': 0, 'text': 'r', 'top': Decimal('660.565'), 'bottom': Decimal('671.605'), 'doctop': Decimal('660.565')}, {'fontname': 'ABCDEE+Times New Roman', 'adv': Decimal('4.902'), 'upright': 1, 'x0': Decimal('130.315'), 'y0': Decimal('170.315'), 'x1': Decimal('135.216'), 'y1': Decimal('181.355'), 'width': Decimal('4.902'), 'height': Decimal

等等，这里肯定有文字

通过阅读文档页面here，我应该能够使用.lines生成行，但它不起作用。我做错什么了吗

Answer 1

如果要检测文本行，最好的方法可能是循环检查pdf对象的每个字符，检查字符元数据的更改。pdfplumber提供了大量元数据，但这里对您最有用的可能是：

^{tb1}$

从documentation开始

使用此选项，您可以通过查看字符1与字符2之间的距离是否不同（例如，与页面顶部的距离）来添加换行检查。您可以将每个字符及其top值添加到如下列表中：

your_pdf = pdfplumber.open(your\path\here)
pg28=your_pdf.pages[27]
your_page = pg28.extract_text()
char_list = []
for each_char in pg28.chars:
     char_list.append([each_char["text"], each_char["top"]])

然后，您可以将每个顶部值与列表中的下一个值进行比较，如本answer中所述。这将帮助您确定哪些字符在换行符上或在同一行上

Answer 2

答案在您发布的文档中：

.lines, each representing a single 1-dimensional line.

这是指几何线条（矢量元素），而不是文本线条。PDF没有文本行（或任何更高阶的字符集合）的概念

Answer 3

如果要提取文本行，需要使用PDFMiner（它在pdfplumber下工作）。它将每页上的字符分组为文本行，并将文本行分组为文本框，以实现水平/垂直对齐https://pdfminer-docs.readthedocs.io/programming.html

from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage, PDFTextExtractionNotAllowed
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfdevice import PDFDevice
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams, LTTextLineHorizontal, LTTextBoxHorizontal


path = open('document.pdf','rb')
parser = PDFParser(path)
document = PDFDocument(parser)
#Create resource manager
rsrcmgr = PDFResourceManager()
# Set parameters for analysis.
laparams = LAParams()
laparams.detect_vertical = True
# Create a PDF page aggregator object.
device = PDFPageAggregator(rsrcmgr, laparams=laparams)
interpreter = PDFPageInterpreter(rsrcmgr, device)
for page in PDFPage.create_pages(document):
    interpreter.process_page(page)
    # receive the LTPage object for the page.
    layout = device.get_result()
    for element in layout:
        if isinstance(element, LTTextLineHorizontal):
            print(element.get_text())
        if isinstance(element, LTTextBoxHorizontal):
            for line in element:
                print(line.get_text())