提问人：user760900 提问时间：9/14/2023 更新时间：9/14/2023 访问量：115
提取多列（？）python 中的 PDF
Extract multicolumn(?) PDFs in python
问：
我正在尝试编写一个程序来将多页 PDF 批量转换为纯文本（想想许多页面教科书）。如果我运行它，我会发现一个问题，如果特定页面有 2 列，它会读错。PyPDF2
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（通过这个解决方案，它是 tabula PDF 的 R 包装器，它有一个 python 包装器，但这个函数基于 Apache PDFBox，它没有当前的 python 包装器）。我能找到的唯一 python 解决方案是同时使用 1 列和 2 列选项运行，并选择具有更多语义信息的选项，但这非常慢。tabulizer::extract_text()tesseract
答：
0赞
M. Page
9/14/2023
#1
通常，从多列 PDF 中提取文本是一项具有挑战性的任务。如果要提取纯文本，可能需要在 linux 下使用命令：https://manpages.ubuntu.com/manpages/trusty/man1/pdftohtml.1.htmlpdftohml
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。
如果您对结果感到满意，则可以从 python 自动执行 shell 命令。
评论
0赞
Jorj McKie
9/14/2023
对于体面的 PDF，这个使用 PyMuPDF 的脚本也旨在解决此任务：github.com/pymupdf/PyMuPDF-Utilities/blob/master/...。
评论