我正在尋找一個PDF庫，它將允許我從PDF文檔中提取文本。我看了PyPDF，這可以很好地從PDF文檔中提取文本。問題在於，如果文檔中有表格，則表格中的文本將與文檔文本的其餘部分一起提取。這可能會產生問題，因爲它會產生無用的文本部分，並且看起來亂碼（例如，將大量數字拼湊在一起）。高級PDF解析使用Python（提取沒有表等的文本）：什麼是最好的圖書館？
我在找東西是更先進一點。我想從PDF文檔中提取文本，排除任何表格和特殊格式。有沒有這樣的圖書館？還是我不得不對輸出文本做一些後處理來擺脫這些部分？
您還可以看看PDFMiner，Python中的另一個PDF解析器。
您可能會感興趣的PDFMiner的特殊性在於您可以控制在進行提取時如何重新組合文本部分。您可以通過指定線條，單詞，字符等之間的空白來實現這一點。因此，也許通過調整它可以實現您想要的（取決於文檔的可變性）。 PDFMiner也可以給你頁面中文本的位置，它可以通過對象ID和其他東西提取數據。所以挖掘PDFMiner並且很有創意！
但是，您的問題並不是一件容易解決的問題，因爲在PDF中，文本不是連續的，而是由絕大部分小字符組成的。 PDF的重點是保持佈局完整。它不是面向內容的，而是面向方面的。
這是一個困難的問題，因爲解決視覺上相似的PDF文件可能會因他們是如何產生的有大相徑庭的結構。在最糟糕的情況下，圖書館需要基本上像OCR一樣行事。另一方面，PDF可能包含足夠的結構和元數據，以便於刪除表格和數字，這些數據庫可以根據需要量身定製。
我很確定沒有開源工具可以解決各種PDF文件的問題，但我記得聽說過商業軟件聲稱完全按照你的要求去做。我相信你會在搜索時遇到他們。
PDFMiner看起來很有趣。我能夠使用它的XML輸出，然後解析它，忽略我不想要的內容。這仍然需要大量的後處理，但現在它可能是最好的解決方案。謝謝。 – 2009-12-09 17:25:26
@Etienne，如果PDF還有其他語言字符，可以使用它嗎？ – 2014-07-06 20:10:38
它應該與其他語言字符一起使用。 Docs提及：CJK語言和垂直編寫腳本支持。最好的方式來確定，測試它！ – Etienne 2014-07-07 17:57:34