时间戳

首页 > 解决方案 > 从 PDF 获取树文件（最好使用 Python）

python - 从 PDF 获取树文件（最好使用 Python）

问题描述

我想制作一系列包含此 PDF ( http://mica.lif.univ-mrs.fr/d6.clean2-backup.pdf ) 中的树的文件。文件的名称将是左侧对应的树编号（t0、t1 等）。

我曾尝试使用 python 来提取相关信息和树，但我遇到了麻烦。具体来说，当我尝试将树木提取为图像时（使用https://nedbatchelder.com/blog/200712/extracting_jpgs_from_pdfs.html），没有任何树木出现（可能是因为树木的格式不正确）。但是，当我尝试将其全部提取为文本（如https://www.geeksforgeeks.org/working-with-pdf-files-in-python/）时，树会丢失所有格式（以及它们的一些信息，我思考）。我怎样才能从这个 PDF 中获取我想要的文件？可以用 Python 完成吗？还有其他更简单的方法吗？

或者，我从中获得 PDF的网站（ http://mica.lif.univ-mrs.fr/ ）具有另一种形式的树（例如：t27 S##1#l# NP#0#2#l #s NP#0#2#r#s VP##3#l# V##4#l#h V##4#r#h NP#1#5#l#s NP#1#5#r #s 副总裁##3#r# S##1#r#）。有没有一种好方法可以将这种形式转换为树木形式的良好视觉效果？

对于这些方法中的任何一种（或其他方法，如果人们有想法）的任何帮助将不胜感激。谢谢！

标签： pythonpdftreenlpextraction

解决方案

如果您查看 PDF 文件的元数据，您会发现它是由TeX (LaTeX)创建的文件。我建议您从创建此文档的人那里获取原始的 LaTeX 源文件（而不是 PDF），而不是尝试对 PDF 中的图表进行 OCR。 pdf的元数据

基本上，由于创建 PDF 的方式，从这个 LaTeX PDF 回到文档是不可能的（没有大量工作）。您可以考虑尝试将 PDF 转换回文档，类似于对软件进行逆向工程（就像其他 Stack Overflow 成员在关于从 PDF 转换回 LaTeX 文档的线程中提到的那样）：https:// stackoverflow.com/a/1620020/10382707

有时，如果我尝试对 PDF 进行一些简单的光学字符识别 (OCR)，我会尝试将它们上传到 Google Docs，以查看他们的 OCR 引擎如何从 PDF 文档中提取文本。GDocs OCR 适用于以标准方式格式化的 PDF，但它往往会破坏表格、图表等内容。

如果您有兴趣将数学方程式的图片转换为 LaTeX，您可能想查看哈佛的一些研究人员在OpenAI 的研究呼吁中创建的这个简洁的工具， 它将把数学方程式的图像转换为LaTeX 符号。

推荐阅读