Расширенный анализ PDF с использованием Python (извлечение текста без таблиц и т. Д.): Какая лучшая библиотека?

Вы также можете взглянуть на PDFMiner , другой синтаксический анализатор PDF в Python.

Особенность PDFMiner, которая может вас заинтересовать, заключается в том, что вы можете контролировать, как она группирует текстовые части при извлечении. Вы делаете это, указывая пространство между строками, словами, символами и т. Д. Таким образом, возможно, tweeking это вы можете достичь того, что вы хотите (что зависит от изменчивости ваших документов). PDFMiner также может предоставить вам местоположение текста на странице, он может извлекать данные по идентификатору объекта и другим материалам. Итак, копайте в PDFMiner и будьте творческими!

Но ваша проблема действительно нелегкая, потому что в формате PDF текст не является непрерывным, а сделан из множества небольших групп персонажей, помещенных абсолютно на страницу. Фокус PDF заключается в том, чтобы сохранить макет неповрежденным. Это не ориентированный на контент, а ориентированный на презентацию.

Это сложная проблема, потому что визуально похожие PDF-файлы могут иметь совершенно различную структуру в зависимости от того, как они были созданы. В худшем случае библиотека должна будет действовать в основном как OCR. С другой стороны, PDF может содержать достаточную структуру и метаданные для легкого удаления таблиц и цифр, которые библиотека может быть адаптирована для использования.

Я уверен, что нет никаких инструментов с открытым исходным кодом, которые решают вашу проблему для самых разных PDF-файлов, но я помню, что слышал о коммерческом программном обеспечении, требующем сделать именно то, что вы просите. Я уверен, что вы столкнетесь с ними во время поиска в Интернете.