Analiza PDF w Pythonie - wyodrębnianie sformatowanych i zwykłych tekstów [zamknięte]

Szukam biblioteki PDF, która pozwoli mi wyodrębnić tekst z dokumentu PDF. Spojrzałem na PyPDF i to może bardzo ładnie wyodrębnić tekst z dokumentu PDF. Problem polega na tym, że jeśli w dokumencie znajdują się tabele, tekst w tabelach jest wyodrębniany w jednej linii z pozostałą częścią tekstu dokumentu. Może to być problematyczne, ponieważ tworzy sekcje tekstu, które nie są użyteczne i wyglądają na zniekształcone (na przykład wiele liczb połączonych razem).

Chciałbym wyodrębnić tekst z dokumentu PDF bez jakichkolwiek tabel i specjalnego formatowania. Czy jest tam biblioteka, która to robi?

Możesz także rzucić okiem na PDFMiner (lub dla starszych wersji Pythona zobacz PDFMiner i PDFMiner ).

Szczególnie interesującą cechą PDFMiner jest to, że możesz kontrolować sposób, w jaki przegrupowuje części tekstu podczas ich wyodrębniania. Robisz to, określając odstępy między wierszami, słowami, znakami, itp. Więc może przez ulepszenie tego możesz osiągnąć to, co chcesz (zależy to od zmienności twoich dokumentów). PDFMiner może również podać lokalizację tekstu na stronie, może wyodrębnić dane według identyfikatora obiektu i innych rzeczy. Więc kop w PDFMiner i bądź kreatywny!

Ale twój problem nie jest naprawdę łatwy do rozwiązania, ponieważ w pliku PDF tekst nie jest ciągły, ale składa się z wielu małych grup znaków umieszczonych absolutnie na stronie. Celem formatu PDF jest utrzymanie nienaruszonego układu. Nie jest zorientowany na treść, ale zorientowany na prezentację.

Jest to trudny problem do rozwiązania, ponieważ wizualnie podobne pliki PDF mogą mieć bardzo różną strukturę w zależności od tego, jak zostały utworzone. W najgorszym przypadku biblioteka musiałaby zasadniczo działać jak OCR. Z drugiej strony, plik PDF może zawierać wystarczającą strukturę i metadane do łatwego usuwania tabel i rysunków, do których wykorzystania można dostosować bibliotekę.

Jestem prawie pewien, że nie ma narzędzi typu open source, które rozwiązałyby twój problem dla szerokiej gamy plików PDF, ale pamiętam, że słyszałem o komercyjnym oprogramowaniu, które twierdziło, że robi dokładnie to, o co prosisz. Jestem pewien, że napotkasz je podczas wyszukiwania w Google.