如何使用PDFplumber只提取pdf文件中没有表格的文本？

Question

我想使用NLP模块处理一些pdf文件，然后从所有现有的表中清除这些文件。

这是使用pdfplumber提取表的代码

import pdfplumber
pdf = pdfplumber.open("file.pdf")
page = pdf.pages[1]
table=page.extract_table()

但是我想反转操作，只提取文本

Answer 1

免责声明:我是这个答案中使用的库pText的作者。

加载Document的

需要定义LocationFilter的

LocationFilter做的几乎和它在罐头上说的一样。它将侦听解析事件(如“呈现文本”或“将字体更改为”)，但它只允许这些事件在给定边界内通过。

请记住，PDF坐标中的原点位于左下角。因此，本例中的LocationFilter将仅匹配页面左下角的文本。

在LocationFilter中添加

1. SimpleTextExtraction

下一个问题是“LocationFilter将把事件传递给什么？”在这种情况下，您可以从尝试SimpleTextExtraction开始。

将所有这些放在一起的：

l0 = LocationFilter(0, 0, 100, 100)

l1 = SimpleTextExtraction()
l0.add_listener(l1)

doc = PDF.loads(pdf_file_handle, [l])

文档加载后，您可以向SimpleTextExtraction请求给定Page上的所有文本。

l1.get_text(0)

你可以在GitHub上获得pText，或者使用PyPi获得更多的examples，查看它们以了解有关处理图像的更多信息。

Answer 2

你真的非得跟着the管道工干吗？如果没有，我可以建议一个更好的解决方案，使用tabula代替。这是一个类似问题的答案，你可以查看：tabula