使用Python进行PDF解析 - 提取格式化和纯文本

Question

我正在寻找一款PDF库，它可以让我从PDF文档中提取文本。我已经看过了PyPDF这个库，它可以很好地从PDF文档中提取文本。但是问题在于，如果文档中有表格，则表格中的文本将与其余部分的文本内联提取。这可能会产生一些无用且杂乱的文本部分（例如，许多数字混在一起）。

我想从PDF文档中提取文本，并排除任何表格和特殊格式。是否存在这样的库？

- Mike Cialowicz

Answer 1

您还可以查看 PDFMiner （或对于较旧版本的Python，请参见PDFMiner 和 PDFMiner）。

PDFMiner的一个特别有趣的功能是，您可以控制在提取文本部分时如何重新组合它们。您可以通过指定行，单词，字符等之间的空格来实现这一点。所以，也许通过调整这个，您可以实现您想要的效果（这取决于您的文档变量性）。PDFMiner也可以给您文本在页面上的位置，它可以通过对象ID和其他材料提取数据。所以挖掘PDFMiner并发挥创造力吧！

但是您的问题确实不容易解决，因为在PDF中，文本不是连续的，而是由大量小组成的字母集合，绝对地放置在页面上。 PDF的重点是保持布局完好无损。它不是内容导向的，而是演示导向的。

- Etienne

---

PDFMiner看起来很有趣。我可以使用它的XML输出，然后解析它以忽略我不想要的内容。这仍然需要大量的后处理，但现在这可能是最好的解决方案。谢谢。 - Mike Cialowicz

如果您正在寻找更好的性能和Py3，请查看此链接http://zderadicka.eu/parsing-pdf-for-fun-and-profit-indeed-in-python/，带有Python绑定的libpoppler比PDFminer快10倍。 - Ivan

pdfminer.six是PDFMiner的Python 3版本，对我来说运行良好。 - hamish

从版本20191010开始，PDFMiner仅支持Python 3。 - fantabolous

警告：截至2020年，PDFMiner已不再得到积极维护。代码仍然可以运行，但该项目基本处于休眠状态。如需了解活跃的项目，请查看其分支pdfminer.six。 - Semnodime

Answer 2

这是一个难以解决的问题，因为外观相似的PDF文件可能会根据它们的生成方式而具有完全不同的结构。在最糟糕的情况下，图书馆需要像OCR一样工作。另一方面，PDF文件可能包含足够的结构和元数据，使得表格和图形易于删除，这取决于库能否适应它们。

我相信没有开源工具可以针对各种PDF文件解决您的问题，但我记得听说过商业软件声称可以做到您所要求的。我相信在谷歌中搜索时，你会遇到它们。

- akaihola