如何解决如何从基于文本的 pdf 中删除表格部分
我有一个基于文本的 pdf(未成像或扫描)文件,其中包含两个部分——普通文本和表格。我可以使用camelot提取表数据。现在我只想提取没有表格部分的文本部分。有没有办法从pdf中删除表格?
解决方法
根据我的经验,此任务没有现成的方法。
有一次,我创建了一个管道,用于在从 PDF 中提取的文本中插入替换文本来代替表格。我遵循了这种方法:
- 从 PDF 中提取文本(使用 PDFBox 或类似工具)
- 使用 Camelot 检测表格
- 从从 Camelot (
table._bbox
) 检测到的坐标开始,为每个表格生成一个 PDF 文件(通过编辑文件的裁剪框,再次使用 PDFBox) - 使用与第一步相同的工具从每个文件中提取表格文本
- 替换整个文本中的表格文本(基于字符串相似性度量,例如 Levenshtein,或使用模糊字符串匹配)
也许你的问题比我遇到的要简单一些,因为你只需要删除表格的文本而不是替换它。
实际上,您也可以尝试直接删除(编辑)PDF 中的表格,使用 iText 等工具,然后从清理后的 PDF 中提取文本。
无论哪种方式,您都需要付出相当大的开发工作。
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。