如何從Python中的「可見」PDF中提取文本？

Question

當從PDF中讀取文本時，它在Python3中如何識別？我想知道Python3如何「看到」它，以便我可以告訴它需要查找，保存什麼信息等。

我的最終目標是閱讀PDF，從讀取的信息中查找某些文本，然後創建一個新的僅包含符合標準的信息行。作爲一個粗略的例子（僞代碼）：

-Read the PDF，if column 4 has a'x'in，copy the ROW to a separate file（skip，if it does not contain'x'），繼續直到PDF結束。

-Read NEW doc，如果第1列有'n'，請保留行，否則刪除它。

我知道這不是最理想的做法，我計劃在稍後修復該部分。

Answer 1

從一般意義上講，這是非常非常困難的。 PDF格式允許以任何順序在頁面上的任何位置「繪製」個人字或字母。

這意味着您看到的「段落」在PDF文件中可能存在或不存在任何連續的含義。 PDF閱讀器（Acrobat等）僅定位每個單詞/字母，使它們看起來全部在一個段落中。

所以，你可能呈現的頁面，然後逐個像素看看，以確定如何排列文本。 （這就是爲什麼如果你嘗試簡單的剪切& PDF的粘貼，有時會出現混亂。）

好消息是，你通常會得到不錯的訂購（PDF渲染器不會故意有意識地混亂的文本）。這就是現在的工具，如pdfminer的工作。

的表類似：您看到他們爲表，PDF把它們看作一系列具有同一水平的細胞失調的，但不同的垂直偏移（不一定在文件中的順序相同。）

正如其他人所建議的，查看pdfminer，閱讀PDF規範，調查如何格式化您的 PDF文件。