在Python中提取多列（？）PDF

Question

我正在尝试编写一个程序将多页 PDF 批量转换为纯文本（想想很多页教科书）。如果我运行它

PyPDF2

，我会发现如果特定页面有 2 列，则读取不正确的问题。

我发现的最好的解决方案是使用OCRmyPDF将扫描的PDF转换为文本PDF，并在R中使用

tabulizer::extract_text()

（通过this解决方案，它是tabula PDF的R包装器，它有一个python 包装器，但此函数基于 Apache PDFBox，它没有 当前的 python 包装器）。我能找到的唯一 Python 解决方案是使用 1 列和 2 列选项运行

tesseract

并选择具有更多语义信息的选项，但这非常慢。

Answer 1

一般来说，从多列 PDF 中提取文本是一项具有挑战性的任务。如果你想提取纯文本，你可能需要在linux下使用

pdftohml

命令：https://manpages.ubuntu.com/manpages/trusty/man1/pdftohtml.1.html

它在提取多列文本方面做得不错。

此实用程序存在适用于 Windows 的端口。

如果您对结果满意，您可以从 python 自动执行 shell 命令。