How to remove borders from PDF using Python and pdfplumber for Azure Form Recognizer?

Question

我目前正在从事一个涉及使用 Azure 表单识别器从 PDF 文件中提取信息的项目。虽然我已成功提取文本，但我在提取表格时遇到了问题。出现问题是因为由于存在页面边框，整个页面被视为表格。

为了克服这个问题，我试图在将 PDF 发送到 Azure 表单识别器之前删除 PDF 的边框。我在 Python 中使用 pdfplumber 库来提取矩形（边框），但我找不到修改 PDF 和删除这些边框的方法。

我附上了 PDF 页面的图像以及我当前使用的代码片段。此外，我还附上了一张图片，显示了我提取的最大高度的矩形。

对于如何使用 Python 从 PDF 中删除边框的任何帮助或建议，或任何实现预期结果的替代想法，我将不胜感激。

代码片段：

import pdfplumber
import pandas as pd
reader=pdfplumber.open('file.pdf')
pag=reader.pages[5]
df1=pd.DataFrame(pag.rect_edges)
df1=df1[df1['height']!=0.0]
print(df1)

PDF页面图片：

矩形坐标图像：

Answer 1

使用 pdfplumber 库，您走在正确的轨道上，但是单独使用 pdfplumber 修改 PDF 以删除边框并不简单。你可以试一试 PyPDF2。

这里有一段代码片段可以帮助您入门：

import PyPDF2
import pandas as pd

# Open the PDF file
with open('file.pdf', 'rb') as file:
    reader = PyPDF2.PdfReader(file)
    page = reader.pages[5]
    page_data = page.extract_text()

    # Remove the borders from the extracted text
    border_characters = ['|', '-', '+']  # Adjust this list based on the border characters present in your PDF
    for char in border_characters:
        page_data = page_data.replace(char, '')

    # Process the modified text data as desired (e.g., extracting tables)
    # ...

Instead, y    data = page_data.split('\n')
    df = pd.DataFrame([row.split() for row in data])

    print(df)

在此代码中，我们使用 PyPDF2 从 PDF 页面中提取文本。然后，我们使用 replace() 函数从提取的文本中删除指定的边框字符（如“|”、“-”、“+”）。不要忘记根据 PDF 中的边框字符调整 border_characters 列表。

随意根据需要处理修改后的文本数据，例如提取表格或将其转换为DataFrame。

请记住，此方法的成功取决于 PDF 中边框字符的一致性。如果边界多变或复杂，您可能需要额外的预处理步骤或高级技术。