如何从Python中的“可见”PDF中提取文本？

Question

当从PDF中读取文本时，它在Python3中如何识别？我想知道Python3如何“看到”它，以便我可以告诉它需要查找，保存什么信息等。

我的最终目标是阅读PDF，从读取的信息中查找某些文本，然后创建一个新的仅包含符合标准的信息行。作为一个粗略的例子（伪代码）：

-Read the PDF，if column 4 has a'x'in，copy the ROW to a separate file（skip，if it does not contain'x'），继续直到PDF结束。

-Read NEW doc，如果第1列有'n'，请保留行，否则删除它。

我知道这不是最理想的做法，我计划在稍后修复该部分。

Answer 1

从一般意义上讲，这是非常非常困难的。 PDF格式允许以任何顺序在页面上的任何位置“绘制”个人字或字母。

这意味着您看到的“段落”在PDF文件中可能存在或不存在任何连续的含义。 PDF阅读器（Acrobat等）仅定位每个单词/字母，使它们看起来全部在一个段落中。

所以，你可能呈现的页面，然后逐个像素看看，以确定如何排列文本。 （这就是为什么如果你尝试简单的剪切& PDF的粘贴，有时会出现混乱。）

好消息是，你通常会得到不错的订购（PDF渲染器不会故意有意识地混乱的文本）。这就是现在的工具，如pdfminer的工作。

的表类似：您看到他们为表，PDF把它们看作一系列具有同一水平的细胞失调的，但不同的垂直偏移（不一定在文件中的顺序相同。）

正如其他人所建议的，查看pdfminer，阅读PDF规范，调查如何格式化您的 PDF文件。