Как извлечь и объединить текст и таблицы из PDF с помощью AWS Textract ⇐ Python

[Anonymous]

Я использую пакет textractor для извлечения текста и таблицы, присутствующей в PDF-документе, через AWS Textract:

Код: Выделить всё

from textractor import Textractor
from textractor.data.constants import TextractFeatures

extractor = Textractor(region_name='us-east-1')
document = extractor.start_document_analysis(
file_source="s3://.pdf",
features=[TextractFeatures.TABLES],
)

text = document.document.pages[0].text
table_csv = document.document.pages[0].tables[0].to_csv()

Это хорошо работает. Однако я хочу объединить в одну текстовую строку (1) текст страницы с (2) таблицей на странице, но БЕЗ перекрывающегося текста. Прямо сейчас переменная text также содержит извлеченный текст из содержимого table_csv. Если я просто объединяю строки, информация будет дублироваться.
Есть ли для этого простой способ удалить перекрывающийся текст?

Подробнее здесь: https://stackoverflow.com/questions/757 ... s-textract