如何使用Python从双列PDF中提取文本？

Question

我有：

我有一个两列格式的PDF。有没有一种方法可以根据两列格式阅读每个PDF，而不必单独裁剪每个PDF？

- alfonso

---

你目前的结果如何？显然，PDF 是文本格式（NLP），而不是图像（OCR）。 - Mika72

Answer 1

我找到了一种替代方法，你可以将PDF分为两部分，左侧和右侧，然后合并每一页的左侧和右侧内容。你可以尝试这个方法：

# https://github.com/jsvine/pdfplumber

import pdfplumber


x0 = 0    # Distance of left side of character from left side of page.
x1 = 0.5  # Distance of right side of character from left side of page.
y0 = 0  # Distance of bottom of character from bottom of page.
y1 = 1  # Distance of top of character from bottom of page.

all_content = []
with pdfplumber.open("file_path") as pdf:
    for i, page in enumerate(pdf.pages):
        width = page.width
        height = page.height

        # Crop pages
        left_bbox = (x0*float(width), y0*float(height), x1*float(width), y1*float(height))
        page_crop = page.crop(bbox=left_bbox)
        left_text = page_crop.extract_text()

        left_bbox = (0.5*float(width), y0*float(height), 1*float(width), y1*float(height))
        page_crop = page.crop(bbox=left_bbox)
        right_text = page_crop.extract_text()
        page_context = '\n'.join([left_text, right_text])
        all_content.append(page_context)
        if i < 2:  # help you see the merged first two pages
            print(page_context)

- fitz

---

有些页面可能会将文本分成多栏，我该如何编写基于此的if语句？@fitz - StressedBoi69420

@StressedBoi69420，你是指语句“if i < 2”吗？它用于查看合并的前两个页面。或者你可以提供更多信息。 - fitz

不是，但这值得注意。我说的是何时有条件地应用列提取。我在这里发了一篇帖子：https://dev59.com/Na32oIgBc1ULPQZFnoZp - StressedBoi69420

Answer 2

这是我用于常规PDF解析的代码，它似乎在该图像上运行良好（我下载了一张图片，因此使用了光学字符识别技术，所以与常规OCR一样准确）。请注意，这将对文本进行标记化处理。还请注意，您需要安装Tesseract才能使其正常工作（pytesseract只是让Tesseract从Python中工作）。Tesseract是免费且开源的。

from PIL import Image
import pytesseract
import cv2
import os

def parse(image_path, threshold=False, blur=False):
    image = cv2.imread(image_path)
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    if threshold:
        gray = cv2.threshold(gray, 0, 255, \
            cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
    if blur: #useful if salt-and-pepper background.
        gray = cv2.medianBlur(gray, 3)
    filename = "{}.png".format(os.getpid())
    cv2.imwrite(filename, gray) #Create a temp file
    text = pytesseract.image_to_string(Image.open(filename))
    os.remove(filename) #Remove the temp file
    text = text.split() #PROCESS HERE.
    print(text)
a = parse(image_path, True, False)

- Evan Mata

---

我可能在一段时间前从别人那里借用了那段代码，我实际上不记得那个特定的片段是我的还是别人的。 - Evan Mata

我没有使用“if”，效果更好。 - Abd_bgc