如何阻止pdfplumber读取每一页的标题？

Question

我希望pdfplumber从用户给出的随机pdf中提取文本。问题是pdfplumber还会从每个页面中提取标题文本或标题。如何编写pdfplumber程序，使其不读取页眉(标题)和页码(或页脚，如果可能)？

下面是代码：

import pdfplumber

all_text = ""

pdf = pdfplumber.open(file)
for pdf_page in pdf.pages:
    one = pdf_page.extract_text()
    all_text = all_text + '\n' + str(one)
    print(all_text)

其中file是PDF文档...

Answer 1

我觉得你做不到。

但是，您可以使用crop方法裁剪文档。这样，您可以只提取页面裁剪部分的文本，而不提取页眉和页脚。当然，这种方法要求您提前知道页眉和页脚的高度。

下面是对余弦的解释：

x0 = % Distance of left side of character from left side of page.
top = % Distance of top of character from top of page.
x1 = % Distance of right side of character from left side of page.
bottom = % Distance of bottom of the character from top of page.

代码如下：

# Get text of whole document as string
crop_coords = [x0, top, x1, bottom]
text = ''
pages = []
with pdfplumber.open(filename) as pdf:
    for i, page in enumerate(pdf.pages):
        my_width = page.width
        my_height = page.height
        # Crop pages
        my_bbox = (crop_coords[0]*float(my_width), crop_coords[1]*float(my_height), crop_coords[2]*float(my_width), crop_coords[3]*float(my_height))
        page_crop = page.crop(bbox=my_bbox)
        text = text+str(page_crop.extract_text()).lower()
        pages.append(page_crop)