Извлечение текста и таблиц из PDF-файла в Python ⇐ Python

[Anonymous]

Я ищу решение для извлечения текста и таблиц из файла PDF. Хотя некоторые пакеты хороши для извлечения текста, они недостаточно хороши для извлечения таблиц.

• Одним из решений может быть использование модели макета Распознаватель форм Azure, но это терпит неудачу, когда у нас есть сочетание текста и таблицы, в частности, когда таблицы имеют текстовый формат и смешивают содержимое таблиц и текста (см. Код Распознавателя форм Azure). https://github.com/Azure-Samples/cognit ... extract.md).
  
  Я также пробовал pypdf2 и pdfplumber; вот код для pypdf2:

  Код: Выделить всё

  import PyPDF2
  data_path = "directory/to/pdf/files"
  texts = []
  
  for fp in os.listdir(data_path):
  pdfFileObj = open(os.path.join(data_path, fp), 'rb')
  print(pdfFileObj)
  #
  pdfreader=PyPDF2.PdfFileReader(pdfFileObj)
  #
  count=pdfreader.numPages
  #
  text = " "
  for i in range(count):
  page = pdfreader.getPage(i)
  text += page.extractText()
  
  texts.extend([text])
  

• Во-первых, pypdf2 неплохо работает для некоторых PDF-файлов, но он дает сбой и не сохраняет пробелы между словами для некоторых PDF-файлов, например (pdf-файл от https://www.researchgate.net/publicatio ... _Anaанализ):

• Во-вторых, как я могу извлечь таблицы, если они существуют на странице? pdfplumber может извлекать как текст, так и таблицы, используя методы Extract_text() и Extract_table(). В некоторых документах не удается сохранить пробелы между словами. Это также не удается, когда у нас есть PDF-файлы с двумя столбцами, как это было ранее.
• Tabula — еще одна альтернатива, но она хороша для таблиц, как я вижу на их веб-сайте. https://github.com/tabulapdf/tabula. Мой конечный вопрос заключается в том, как лучше всего извлекать содержимое, текст и таблицы из PDF-файлов с использованием страниц с одним или двумя столбцами.

Подробнее здесь: https://stackoverflow.com/questions/692 ... -in-python