python - 使用 Python 从 PDF 文件中提取标题、副标题和段落

Question

我想从 PDF 文件中提取标题、副标题和段落

例如，我的文字是：

  1. Abstract 

    Some text 1



   2. Introduction 

    some text 2

   2.1. Background

       some text 2.1

  2.2. Reviews

       some text 2.2

  3. Methods

    some text 3


  4. References

    references

该headings列表将是：

1. 摘要，2。引言，2.1。背景，2.2。评论，3. 方法，4. 参考）

paragraphs清单将是：

一些文本 1，一些文本 2，一些文本 2.1，一些文本 2.2，一些文本 3，参考文献

标签： pythonpdf

Answer 1

你可能想看看 Tika 包：

import tika
from tika import parser

parsedPDF = parser.from_file("./File/Path.pdf")
print(parsedPDF['content'])
print(parsedPDF['metadata'])