Извлечение текста из PDF-файлов с помощью Python без комментариев ⇐ Python

[Anonymous]

Я пытался извлечь текст из PDF-файлов, чтобы автоматизировать значительную и утомительную часть своей работы с помощью Python. С помощью ChatGPT я написал несколько строк кода. Однако я столкнулся с проблемой, которую не могу решить ни я, ни ChatGPT. Некоторые PDF-файлы содержат комментарии в виде текстовых полей, примечаний к комментариям, выделения и подчеркивания — по сути, все виды комментариев.
Написанная мной программа работает хорошо и извлекает все необходимые содержимое, экспортируя его в файл Excel. Однако он также извлекает текст из этих комментариев и включает его в тот же файл Excel, что делает его немного нечитаемым.
Мой вопрос: есть ли способ извлечь текст из PDF-файлов без извлечь текст из комментариев?
Это предложения, которые ChatGPT неоднократно предоставлял. Однако, если это реализовано, программа эффективно пропускает комментарии, а также пропускает любой текст под комментариями. В результате в процессе извлечения исключается важная информация.
# Get annotation rectangles
annotations = []
if page.annots():
for annot in page.annots():
annotations.append(annot.rect)

def extract_words_from_box(page, rect, annotations):
words = page.get_text("words") # Extract words from the page
words_in_box = [word for word in words if rect.intersects(fitz.Rect(word[:4]))]
# Exclude words that fall within annotation rectangles
words_in_box = [word for word in words_in_box if not any(fitz.Rect(word[:4]).intersects(annot_rect) for annot_rect in annotations)]
return words_in_box

def print_text_in_boxes(pdf_path):
material_box_def = (40, 85, 70, 705) # Adjusted the dimensions
po_number_box_def = (330, 40, 570, 115) # PO number box dimensions
destination_box_def = (40, 200, 330, 300) # Destination box dimensions
other_boxes_definitions = {
'product_code': (72, -2, 131, 15), # Adjusted to avoid concatenation
'due_date': (217, -2, 270, 15),
'qty': (286, -2, 314, 15),
'net_price': (350, -2, 399, 15),
'material_revision_box': (80, 15, 192, 80) # Added box for Material Revision
}

po_number = None # Initialize PO number as None
destination = "Unknown" # Default destination as "Unknown"
extracted_data = []

try:
doc = fitz.open(pdf_path)

for page_num in range(len(doc)):
page = doc[page_num]

# Get annotation rectangles
annotations = []
if page.annots():
for annot in page.annots():
annotations.append(annot.rect)

# Extract PO number from the first page only
if page_num == 0:
po_number_rect = fitz.Rect(*po_number_box_def)
words_in_po_number_box = extract_words_from_box(page, po_number_rect, annotations)
po_numbers = [word[4] for word in words_in_po_number_box if word[4].isdigit() and len(word[4]) == 10]
if po_numbers:
po_number = po_numbers[0]

destination_rect = fitz.Rect(*destination_box_def)
words_in_destination_box = extract_words_from_box(page, destination_rect, annotations)
destination_text = ' '.join(word[4] for word in words_in_destination_box)
destination = determine_destination(destination_text)

material_rect = fitz.Rect(*material_box_def)
words_in_material_box = extract_words_from_box(page, material_rect, annotations)

item_numbers = [word for word in words_in_material_box if word[4].isdigit() and len(word[4]) == 5]
for item_number in item_numbers:
item_number_rect = fitz.Rect(item_number[:4])
item_info = extract_item_info(page, item_number_rect, other_boxes_definitions, po_number, destination, annotations)

# Separate product code and name
if 'product_code' in item_info:
description_parts = item_info['product_code'].split(' ', 1)
if len(description_parts) == 2:
item_info['product_code'] = description_parts[0]
item_info['product_name'] = description_parts[1]
else:
item_info['product_code'] = description_parts[0]
item_info['product_name'] = 'No text found'

# Convert due date to Finnish format
if 'due_date' in item_info:
item_info['due_date'] = convert_date_format(item_info['due_date'])

extracted_data.append(item_info) # Add extracted item info to the data list

except Exception as e:
print(f"Error processing {pdf_path}: {str(e)}")

return extracted_data



Подробнее здесь: https://stackoverflow.com/questions/787 ... g-comments