如何提取PDF年度报告的叙述部分以进行文本分析？

Question

我想使用FOG指数作为我学士学位论文的一部分来比较SFCR报告和IFRS报告中保险公司的报告。报告以PDF格式提供。

我想使用Perl中的Fathom包，但为此我需要txt格式的财务报表的叙述区域。你知道我不需要手动复制所有内容的情况下如何工作吗？

提前感谢！

Answer 1

Python模块pdfminer可用于提取所有文本(也可以提取图形和表格中的文本)：

$ pip install pdfminer
$ qpdf --decrypt --password='' report.pdf report2.pdf
$ pdf2txt.py -o report2.txt report2.pdf

这会将提取的文本保存为report2.txt。请注意，我使用的是样例aegon-integrated-annual-report-2019.pdf文件。这个文件原来是加密的，pdf2txt.py拒绝处理它，但幸运的是qpdf能够解密它，如上所示。