如何解决使用 Python 从“扁平化”/不可编辑的 PDF 中识别和提取表单字段及其对应的值
我有一组“扁平化”但可搜索的 PDF 表单(附上示例)。由于它们不是 Acroforms/可编辑的 PDF 表单,我无法使用 PDFTK 或任何其他 Acroform Extractor 工具来提取表单字段及其对应的值。
由于 PDF 不是图像并且具有可搜索的文本,因此我能够使用 PDFparser.poppler 提取 PDF 的单词及其坐标。但是,这种类型的提取会不加选择地提取 PDF 文档中的所有文本,因为“扁平化”的 PDF 不包含表单域数据。 >
有谁知道如何将表单域及其值(包括空白域)与文本的其余部分区分开来,并仅从各种“扁平化”PDF 中提取表单域及其对应的域值使用 Python 的文档? (也许在 Python 上使用一些基于规则的算法或机器学习算法来执行此操作?)
我在此处提供了填充虚构数据的 PDF 文档示例:
https://drive.google.com/file/d/1r57yrPuvzYlXwg-0KPM9UQGhu8jgWcUs/view?usp=sharing
https://drive.google.com/file/d/1S5Rz1H80y3SxCIzeEMb28FPjsXzeI6Ci/view?usp=sharing
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。