python - 裁剪 PDF 文件无法裁剪文本以进行文本提取（textract 和 pdfminer）
问题描述
我正在使用 python 库PyPDF2来裁剪许多 PDF 文件，以删除学术论文顶部和底部的无用信息（即底部的页码和期刊信息）。然后我使用该库textract将裁剪后的 PDF 文件中的文本提取到 txt 文件中。但是，尽管进行了裁剪，输出的 txt 文件仍然包含裁剪出来的信息。这也适用于pdfminer另一个文本提取库（不是 OCR）。似乎对于文本提取，与 OCR 不同，文本不能通过简单的裁剪来消除。谁能解释为什么会这样？关于如何消除 PDF 文件中用于文本提取的无用信息的任何想法？
解决方案
推荐阅读
- reactjs - Gatsby.js：有没有办法只在页面加载时渲染组件，而不是在静态页面上
- c++ - 在 Vulkan 中为每个线程创建多个命令池
- sql - sql比较列值并返回更大的行
- php - php表单不添加到数据库中
- bash - 结合正则表达式 awk 和 bc
- jquery - 查找并收集所有具有 `data-id` 属性的元素的值
- git - 使用子模块跟踪分支是否可以保护您免受强制推送？
- javascript - 如何将贝塞尔曲线插入画布上的打开图像中？
- assembly - 为什么需要 ESP 寄存器中的 8 字节增量？
- c# - AutoCAD 关联框架 GetEdgeVertexSubentities() 致命错误