时间戳

首页 > 解决方案 > 使用PyMuPDF逐页逐行从pdf中提取文本

python - 使用PyMuPDF逐页逐行从pdf中提取文本

问题描述

我必须从现有的 PDF 文档中提取文本。目前我为此使用 PyMuPDF 模块。总体而言，它运行良好且速度非常快。\t问题是，这个工具用新的换行符替换了 pdf 文档中的所有水平制表符（例如，在标题：5主题中）。由于我必须逐行提取文本，这对我来说非常不切实际。

有谁知道，如何解决这个问题或知道另一种方法来提取每页和逐行的文本页面？我还尝试了 tika（这里我无法按页提取文本）和 PyPDF2（这太可怕了：对于任何格式化的文本（如以粗体书写），它都会在提取的文本中添加一个新的换行符。

for document in pdfPath:
    string_dic[document] = StringIO()
    pdf_file = fitz.open(document)
    number_of_pages = pdf_file.pageCount
    for page_number in range(number_of_pages):
        page = pdf_file.loadPage(page_number)
        page_content = page.getText("text")
        string_dic[document].write(page_content)
        string_dic[document].write(chr(12))
    string_dic[document].seek(0)

当我转换具有以下内容的 PDF 文档时： 选项卡后的
5 个文本 提取后我得到以下结果：选项卡后的 5 个 文本\t


标签： pythontext-extraction

解决方案

根据文档，

page.getText('text',flags=2)

应该管用。但是，当我尝试时，它仍然有 \n 而不是 \t

另一种选择是您必须将文本作为字典并查看它以构建文本。这是一种迂回的方式，但是由于您获得了每个跨度的 x0 和 x1 位置，因此您可以从技术上计算中间的空格并使用它们

page.getText('dict')

输出

{'width': 612.0,
 'height': 792.0,
 'blocks': [{'type': 0,
   'bbox': (72.28006744384766,
    72.37419891357422,
    156.7176055908203,
    87.02263641357422),
   'lines': [{'wmode': 0,
     'dir': (1.0, 0.0),
     'bbox': (72.28006744384766,
      72.37419891357422,
      78.36209869384766,
      87.02263641357422),
     'spans': [{'size': 12.0,
       'flags': 4,
       'font': 'Calibri',
       'color': 0,
       'text': '5',
       'bbox': (72.28006744384766,
        72.37419891357422,
        78.36209869384766,
        87.02263641357422)}]},
    {'wmode': 0,
     'dir': (1.0, 0.0),
     'bbox': (108.28006744384766,
      72.37419891357422,
      156.7176055908203,
      87.02263641357422),
     'spans': [{'size': 12.0,
       'flags': 4,
       'font': 'Calibri',
       'color': 0,
       'text': 'SomeText',
       'bbox': (108.28006744384766,
        72.37419891357422,
        156.7176055908203,
        87.02263641357422)}]}]}]}

推荐阅读