pdfminer提取LTFigure对象后面的文本

Question

我使用PythonPdfMiner库从pdf文件中提取文本（请参见docs）

但是，pdfminer似乎无法提取某些文件中的所有文本，而是提取LTFigure对象。假设从这个对象的位置来看，它“覆盖”了一些文本，所以这个文本并没有被提取出来

pdf文件和带有从pdf中提取信息的代码的简短jupyter笔记本都位于Github存储库中，我专门创建该存储库是为了问这个问题：

https://github.com/druskacik/ltfigure-pdfminer

我不是pdf文件工作原理方面的专家，但常识告诉我，如果我可以在浏览器中使用control + f查找文本，它应该是可提取的

我曾考虑使用其他一些库，但问题是，我还需要提取单词的位置（以便将它们用于我的机器学习模型），这似乎是pdfminer提供的功能

Answer 1

好的，我终于想出了解决办法。这很简单-可以像迭代LTTextBox对象一样迭代LTFigure对象

interpreter.process_page(page)
layout = device.get_result()

for lobj in layout:
    if isinstance(lobj, LTTextBox):
        for element in lobj:
            if isinstance(element, LTTextLine):
                text = element.get_text()
                print(text)

    elif isinstance(lobj, LTFigure):
        for element in figure:
            if isinstance(element, LTChar):
                text = element.get_text()
                print(text)

请注意，正确的方法（确保解析器读取文档中的所有内容）是递归地迭代pdfminer对象，如下所示：How does one obtain the location of text in a PDF with PDFMiner?

Answer 2

考虑到您也考虑其他库，我建议使用PopdUTUL的pdftohtml将PDF转换成XML：

!apt-get install -y poppler-utils
!pdftohtml -c -hidden -xml document.pdf output.xml

它将输出一个xml文件，其中包含文本以及框的顶部、左侧、宽度和高度值。pdfminer不认识的文本没有问题