Hướng dẫn extract text from pdf using coordinates python - trích xuất văn bản từ pdf bằng cách sử dụng python tọa độ

Dưới đây là một ví dụ sẵn sàng sao chép và dán, liệt kê các góc trên cùng bên trái của mỗi khối văn bản trong PDF và tôi nghĩ nên hoạt động cho bất kỳ PDF nào không bao gồm "Mẫu Xobjects" có văn bản trong đó:

from pdfminer.layout import LAParams, LTTextBox
from pdfminer.pdfpage import PDFPage
from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.converter import PDFPageAggregator

fp = open('yourpdf.pdf', 'rb')
rsrcmgr = PDFResourceManager()
laparams = LAParams()
device = PDFPageAggregator(rsrcmgr, laparams=laparams)
interpreter = PDFPageInterpreter(rsrcmgr, device)
pages = PDFPage.get_pages(fp)

for page in pages:
    print('Processing next page...')
    interpreter.process_page(page)
    layout = device.get_result()
    for lobj in layout:
        if isinstance(lobj, LTTextBox):
            x, y, text = lobj.bbox[0], lobj.bbox[3], lobj.get_text()
            print('At %r is text: %s' % ((x, y), text))

Mã trên dựa trên ví dụ phân tích bố cục thực hiện trong các tài liệu PDFMiner, cộng với các ví dụ của PNJ (https://stackoverflow.com/a/22898159/1709587) và Matt Swain (https://stackoverflow.com/a/a/a 25262470/1709587). Có một vài thay đổi tôi đã thực hiện từ các ví dụ trước đây:

• Tôi sử dụng PDFPage.get_pages(), là một tốc ký để tạo tài liệu, kiểm tra nó is_extractable và chuyển nó cho PDFPage.create_pages()
• Tôi không buồn xử lý LTFigures, vì PDFMiner hiện không có khả năng xử lý văn bản sạch sẽ bên trong chúng.

LAParams cho phép bạn đặt một số tham số kiểm soát cách các ký tự riêng lẻ trong PDF được nhóm một cách kỳ diệu thành các dòng và hộp văn bản của PDFMiner. Nếu bạn ngạc nhiên rằng việc nhóm như vậy là một điều cần phải xảy ra, thì đó là hợp lý trong các tài liệu PDF2TXT:

Trong một tệp PDF thực tế, các phần văn bản có thể được chia thành nhiều khối ở giữa hoạt động của nó, tùy thuộc vào phần mềm tác giả. Do đó, trích xuất văn bản cần phải nối các đoạn văn bản.

Các tham số của ________ 6, giống như hầu hết các pdfminer, không có giấy tờ, nhưng bạn có thể thấy chúng trong mã nguồn hoặc bằng cách gọi help(LAParams) tại vỏ Python của bạn. Ý nghĩa của một số tham số được đưa ra tại https://pdfminer-docs.readthedocs.io/pdfminer_index.html#pdf2txt-py vì chúng cũng có thể được truyền dưới dạng đối số cho pdf2text tại dòng lệnh.

Đối tượng

x0, y0_orig, x1, y1_orig = some_lobj.bbox
y0 = page.mediabox[3] - y1_orig
y1 = page.mediabox[3] - y0_orig

x0, y0_orig, x1, y1_orig = some_lobj.bbox
y0 = page.mediabox[3] - y1_orig
y1 = page.mediabox[3] - y0_orig

• x0, y0_orig, x1, y1_orig = some_lobj.bbox
  y0 = page.mediabox[3] - y1_orig
  y1 = page.mediabox[3] - y0_orig
  

  2
• LTFigure

• x0, y0_orig, x1, y1_orig = some_lobj.bbox
  y0 = page.mediabox[3] - y1_orig
  y1 = page.mediabox[3] - y0_orig
  

  4

• x0, y0_orig, x1, y1_orig = some_lobj.bbox
  y0 = page.mediabox[3] - y1_orig
  y1 = page.mediabox[3] - y0_orig
  

  5

• x0, y0_orig, x1, y1_orig = some_lobj.bbox
  y0 = page.mediabox[3] - y1_orig
  y1 = page.mediabox[3] - y0_orig
  

  6

... hoặc các lớp con của họ. (Đặc biệt, các hộp văn bản của bạn có thể sẽ là

x0, y0_orig, x1, y1_orig = some_lobj.bbox
y0 = page.mediabox[3] - y1_orig
y1 = page.mediabox[3] - y0_orig

Thông tin chi tiết hơn về cấu trúc của

x0, y0_orig, x1, y1_orig = some_lobj.bbox
y0 = page.mediabox[3] - y1_orig
y1 = page.mediabox[3] - y0_orig

Mỗi loại trên có thuộc tính

x0, y0_orig, x1, y1_orig = some_lobj.bbox
y0 = page.mediabox[3] - y1_orig
y1 = page.mediabox[3] - y0_orig

x0, y0_orig, x1, y1_orig = some_lobj.bbox
y0 = page.mediabox[3] - y1_orig
y1 = page.mediabox[3] - y0_orig

Ngoài PDFPage.get_pages()1,

x0, y0_orig, x1, y1_orig = some_lobj.bbox
y0 = page.mediabox[3] - y1_orig
y1 = page.mediabox[3] - y0_orig

x0, y0_orig, x1, y1_orig = some_lobj.bbox
y0 = page.mediabox[3] - y1_orig
y1 = page.mediabox[3] - y0_orig

Ví dụ mã ở đầu câu trả lời này đã kết hợp hai thuộc tính này để hiển thị tọa độ của từng khối văn bản.

Cuối cùng, điều đáng chú ý là, không giống như các câu trả lời tràn của ngăn xếp khác được trích dẫn ở trên, tôi không bận tâm đến các LTFigures. Mặc dù LTFigure có thể chứa văn bản, PDFMiner dường như không có khả năng nhóm văn bản đó thành

x0, y0_orig, x1, y1_orig = some_lobj.bbox
y0 = page.mediabox[3] - y1_orig
y1 = page.mediabox[3] - y0_orig

Mặc dù vậy, hy vọng, các tệp PDF bạn cần phân tích không sử dụng XOBjects với văn bản trong đó, và vì vậy sự cảnh báo này sẽ không áp dụng cho bạn.

Làm cách nào để trích xuất văn bản cụ thể từ PDF trong Python?

Làm cách nào để trích xuất các từ cụ thể từ PDF?

Tesseract trích xuất văn bản từ PDF có thể không?

Python có thể trích xuất dữ liệu từ PDF không?