将PDF列转换为文本

Question

在Unix或Windows中，我希望将此字典转换为Python dictionary。我复制了PDF字典的内容，并将它们放入一个.rtf文件中，打算用read对它们进行read。然而，它提供了如下内容：

A /e/ noun -- ABO系统的一种人类血型，含有A抗原(注:A型的一些人可以向同一组或AB类的人献血，也可以接受A型或O型患者的血液) AA 腹胀/bdɒmn(ə)l ds 10ʃ(ə)n/名词 男人因为气体或液体而紧张。 一个 腹胀 戒酒匿名者

从本质上说，它把PDF中的列压缩成了一种奇怪的混合。如何将PDF转换为文本，以使列受到尊重？换句话说，期望的输出是：

A /e/ noun -- ABO系统的一种人类血型，含有A抗原(注:A型的一些人可以向同一组或AB类的人献血，也可以接受A型或O型患者的血液) 戒酒匿名者

...and等

Answer 1

基本上，您有两个选项可以进入文本：

1. 直接从每一页中按原样提取文本。
2. 沿着列空间将每一页分成两部分，并分别从每半部分中提取文本。

对于first选项，我建议您首先尝试pdftotext，但是使用参数-layout。(还有其他工具，如泰特，来自PDFlib人员的文本提取工具包，如果pdftotext不够好，您可以尝试使用它。)

为了使用Ghostscript和其他工具遵循第二个选项的道路，您可能需要查看我对以下问题的答案：

• 基于Linux的工具将PDF分割成多个页面 (超级用户)
• 将PDF每页2边转换为每页1边 (超级用户)
• 我如何将PDF的页面拆分到中间？ (超级用户)
• 使用Ghostscript 9.01裁剪PDF (堆栈溢出)
• 将一页PDF分成两页 (堆栈溢出)
• PDF -删除空白边距 (堆栈溢出)

pdftotext -layout

您可以使用命令行工具pdftotext进行尝试。你必须决定它对你的目的是否“足够好”。

以下命令仅从第8页(具有双列布局的第一页)提取文本，并将其打印到<stdout>

$ pdftotext -f 8 -l 8 -layout                                         \
           Dictionary+of+Medical+Terms+4th+Ed.-+\(Malestrom\).pdf - \
 | head -n 30

在以下方面的成果：

Medicine.fm Page 1 Thursday, November 20, 2003 4:26 PM

                                                          A
 A /e/ noun a human blood type of the ABO                abdominal distension /bdɒmn(ə)l ds
 A                                                        abdominal distension
 system, containing the A antigen (NOTE: Some-              tenʃ(ə)n/ noun a condition in which the abdo-
 one with type A can donate to people of the              men is stretched because of gas or fluid
 same group or of the AB group, and can receive           abdominal pain /b dɒmn(ə)l pen/ noun
                                                          abdominal pain
 blood from people with type A or type O.)                pain in the abdomen caused by indigestion or
 AA
 AA abbr Alcoholics Anonymous                             more serious disorders
 A & E /e ənd  i
                     /, A & E department /e ənd           abdominal viscera /bdɒmn(ə)l    vsərə/
 A & E                                                    abdominal viscera
    i
      d pɑ
           tmənt/ noun same as accident and
                                                          plural noun the organs which are contained in
 emergency department                                     the abdomen, e.g. the stomach, liver and intes-
 A & E medicine /e ənd     i
                              med(ə)sn/
 A & E medicine
                                                          tines
                                                          abdominal wall /b dɒmn(ə)l wɔ
                                                                                        l/ noun
                                                          abdominal wall
 noun the medical procedures used in A & E de-                                                            
 partments                                                muscular tissue which surrounds the abdomen
                                                          abdomino- /bdɒmnəυ/ prefix referring to
                                                          abdomino-

注意-layout的使用！如果没有它，所提取的文本将如下所示：

Medicine.fm第1页，2003年11月20日(星期四)下午4:26下午4:26 A /e/ noun为人类血型，含A抗原(注: SomeA )

A型患者可以捐给同一群体或AB型患者，也可以接受A型或O型患者的血液。戒酒匿名A&E /eəand I /，A&E部门/eəand ipɑtmənt/名词与急诊科(ə)的n/名词急诊科急症室的医疗程序相同

A&E A&E医学部AB /ebi / noun人血型ABO系统，含A、B抗原AB

我注意到该文件在第8页上使用，但没有嵌入字体Courier、Helvetica、Helvetica-Bold、Times-Roman和Times-Italic。

这不会给文本提取带来问题，因为所有这些字体都使用/WinAnsiEncoding。

但是，还有其他字体，它们作为一个子集嵌入。这些字体确实使用/Custom编码，但它们不提供/ToUnicode表。此表是可靠的文本提取(将字形名称反向转换为字符名)所必需的。

我说的话可以在这张表上看到：

$ pdffonts -f 8 -l 8 Dictionary+of+Medical+Terms+4th+Ed.-+\(Malestrom\).pdf 
 name                           type        encoding      emb sub uni object ID
 ------------------------------ ----------- ------------- --- --- --- ---------
 Helvetica-Bold                 Type 1      WinAnsi       no  no  no    1505  0
 Courier                        Type 1      WinAnsi       no  no  no    1507  0
 Helvetica                      Type 1      WinAnsi       no  no  no    1497  0
 MOEKLA+Times-PhoneticIPA       Type 1C     Custom        yes yes yes   1509  0
 Times-Roman                    Type 1      WinAnsi       no  no  no    1506  0
 Times-Italic                   Type 1      WinAnsi       no  no  no    1499  0
 IGFBAL+EuropeanPi-Three        Type 1C     Custom        yes yes no    1502  0

碰巧，我最近为一个新的GitHub项目手工编写了5个不同的PDF文件，并附带注释源代码。这5个文件为嵌入为子集的每个字体演示了正确的/ToUnicode表的重要性。在这里可以找到它们，以及解释更多细节的自述文件。

• https://github.com/angea/PDF101/tree/master/handcoded/textextract

Answer 2

您可以使用pdfminer从PDF：http://www.unixuser.org/~euske/python/pdfminer/中提取文本

Answer 3

PDF文档对文档结构的概念很少。PDF内容流包括在页面上放置象形文字的指令，但放置顺序不必与文档结构相对应。

您没有说明您正在使用的平台。如果您使用的是OS，您可以使用PDFKit来实现您想要的结果。