如何解决Python库pdfplumber不提取行
我正在尝试使用pdfplumber从pdf文档中逐行提取文本。
我可以从pdf文档中打开页面并逐页查看文本
pdf = pdfplumber.open(data_drive_os+dataloc+'/'+ file + '.pdf')
page = pdf.pages[0]
print(page.extract_text())
这将产生以下文本:
Anti-Money Laundering and
Counter-Terrorism Financing Act 2006
No. 169,2006
Compilation No. 48
Compilation date: 20 December 2018
Includes amendments up to: Act No. 156,2018
Registered: 7 January 2019
Prepared by the Office of Parliamentary Counsel,Canberra
Authorised Version C2019C00011 registered 07/01/2019
所以我知道那里是文本。但是,当我尝试逐行提取文本时,它将返回一个空列表:
print(page.lines)
返回:
[]
我还可以提取字符:
print(page.chars)
返回:
[{'fontname': 'ABCDEE+Times New Roman','adv': Decimal('2.010'),'upright': 1,'x0': Decimal('120.500'),'y0': Decimal('797.823'),'x1': Decimal('122.510'),'y1': Decimal('805.863'),'width': Decimal('2.010'),'height': Decimal('8.040'),'size': Decimal('8.040'),'object_type': 'char','page_number': 1,'stroking_color': 0,'non_stroking_color': 0,'text': ' ','top': Decimal('36.057'),'bottom': Decimal('44.097'),'doctop': Decimal('36.057')},{'fontname': 'ABCDEE+Times New Roman','adv': Decimal('6.138'),'y0': Decimal('170.315'),'x1': Decimal('126.638'),'y1': Decimal('181.355'),'width': Decimal('6.138'),'height': Decimal('11.040'),'size': Decimal('11.040'),'text': 'P','top': Decimal('660.565'),'bottom': Decimal('671.605'),'doctop': Decimal('660.565')},'adv': Decimal('3.676'),'x0': Decimal('126.638'),'x1': Decimal('130.315'),'width': Decimal('3.676'),'text': 'r','adv': Decimal('4.902'),'x0': Decimal('130.315'),'x1': Decimal('135.216'),'width': Decimal('4.902'),'height': Decimal
等所以那里肯定有文字。
通过阅读文档页面here,我应该能够使用.lines来生成行,但它不起作用。我在做错什么吗?
解决方法
答案在您发布的文档中:
.lines,每个代表一个一维线。
这是指几何线(矢量元素),而不是文本线。 PDF没有文本行(或任何高阶字符集合)的概念。
,如果您想检测文本行,最好的方法可能是循环遍历 pdf 对象的每个字符,检查字符元数据是否有变化。 pdfplumber 提供了很多元数据,但这里对您最有用的可能是:
属性 | 描述 |
---|---|
y0 | 字符底部到页面底部的距离。 |
y1 | 字符顶部到页面底部的距离。 |
顶部 | 字符顶部到页面顶部的距离。 |
底部 | 字符底部到页面顶部的距离。 |
这样,您可以通过查看字符 1 与字符 2 与页面顶部的距离是否不同来添加换行检查。您可以将每个字符及其 top
值添加到如下列表中:
your_pdf = pdfplumber.open(your\path\here)
pg28=your_pdf.pages[27]
your_page = pg28.extract_text()
char_list = []
for each_char in pg28.chars:
char_list.append([each_char["text"],each_char["top"]])
然后您可以将每个最高值与列表中的下一个值进行比较,如本 answer 中所述。这应该可以帮助您找出哪些字符在换行符或同一行上。
,如果您想提取文本行,您需要使用 PDFMiner(无论如何都可以在 pdfplumber 下工作)。它将每个页面上的字符分组为文本行,将文本行分组为文本框,以实现水平/垂直对齐。 https://pdfminer-docs.readthedocs.io/programming.html
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfpage import PDFPage,PDFTextExtractionNotAllowed
from pdfminer.pdfinterp import PDFResourceManager,PDFPageInterpreter
from pdfminer.pdfdevice import PDFDevice
from pdfminer.converter import PDFPageAggregator
from pdfminer.layout import LAParams,LTTextLineHorizontal,LTTextBoxHorizontal
path = open('document.pdf','rb')
parser = PDFParser(path)
document = PDFDocument(parser)
#Create resource manager
rsrcmgr = PDFResourceManager()
# Set parameters for analysis.
laparams = LAParams()
laparams.detect_vertical = True
# Create a PDF page aggregator object.
device = PDFPageAggregator(rsrcmgr,laparams=laparams)
interpreter = PDFPageInterpreter(rsrcmgr,device)
for page in PDFPage.create_pages(document):
interpreter.process_page(page)
# receive the LTPage object for the page.
layout = device.get_result()
for element in layout:
if isinstance(element,LTTextLineHorizontal):
print(element.get_text())
if isinstance(element,LTTextBoxHorizontal):
for line in element:
print(line.get_text())
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。