此答案不完整，将在我们解决问题时更新它。
原始 PDF 副本：
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC335638/pdf/pnas00677-0355.pdf
第 1 步 - 尝试 pypdf
# importing required modules
import PyPDF2
# creating a pdf file object
pdfFileObj = open('example.pdf', 'rb')
# creating a pdf reader object
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
# printing number of pages in pdf file
print(pdfReader.numPages)
# creating a page object
pageObj = pdfReader.getPage(0)
# extracting text from page
print(pageObj.extractText())
# closing the pdf file object
pdfFileObj.close()
这不合适，因为连单词都没有用空格隔开。
第 2 步 - 尝试 pdf2htmlEX
建议我们尝试将https://github.com/coolwanglu/pdf2htmlEX 转换为html，然后开发适当的选择器以与beautifulsoup4 一起使用。
pdf2htmlex 生成的 html 中每个单词都被标签包围，对我们毫无帮助。
第 3 步 - 尝试 pdfminer.six
https://github.com/pdfminer/pdfminer.six
这要好得多，但仍然不完美：
小脑控制运动的电路
约翰·C·埃克利斯著
AMA/ERF 生物医学研究所，芝加哥
1967 年 5 月 16 日发布
神经解剖学家普遍认为小脑提供
我们最初努力辨别功能的最大挑战
神经元模式中的意义，因为有一个刻板的和简单的
它的几何排列大概是因为这个原因
有独特的神经元成分。最精炼的知识
中枢神经系统中可用的微结构。这
近期对 Ram6n y Cajall 的开拓性调查导致
关于微观结构、几何学的令人着迷的发展
安排和数值评估。2
如图 1,3 所示，只有两种传入纤维
向小脑、攀爬纤维 (cf) 和
苔藓纤维 (mf);并且只有一种类型的传出纤维
来自小脑的浦肯野细胞 (Pc) 的轴突，
终止于小脑核（cn），否则主要在
代特氏核。攀爬纤维独特地分布在
单身
图。 1.-用Fox3绘制的一片叶子的透视图
小脑皮层。校长
组件以图表形式显示，并在
文本。
336
音量。 58, 1967
生理学：J.C. ECCLES
337
然后我们可以在输出上运行这段代码：
import re
# Read In Text
fileName = "sample.txt"
pdfTextfile = open(fileName, "r")
pdfText = pdfTextfile.read()
# Split text into blocks separated by double line break.
blocks = pdfText.split("\n\n")
# Remove all new lines within blocks to remove arbitary line breaks
blocks = map(lambda x : x.replace("\n", ""), blocks)
# Which blocks are figure captions?
captions = []
for block in blocks:
if re.search('^fig', block, re.IGNORECASE):
captions.append(block)
# Done!
for caption in captions:
print(caption)
print()
这可能需要更多的调整，因为 pdfminer.six 的输出不是很完美。
第 4 步 - 尝试 Tesseract
我很想知道在这种情况下 OCR 会有多好。首先将pdf转换为图像。然后安装以下内容：
sudo apt install tesseract-ocr
pip install pyocr
此代码将对图像执行 OCR。
from PIL import Image
import sys
import pyocr
import pyocr.builders
tools = pyocr.get_available_tools()
if len(tools) == 0:
print("No OCR tool found")
sys.exit(1)
tool = tools[0]
print("Will use tool '%s'" % (tool.get_name()))
langs = tool.get_available_languages()
print("Available languages: %s" % ", ".join(langs))
lang = langs[0]
print("Will use lang '%s'" % (lang))
imageFile = "page_1.jpg"
txt = tool.image_to_string(
Image.open(imageFile),
lang=lang,
builder=pyocr.builders.TextBuilder()
)
open("page_1.txt","w").write(txt)
这会产生更好的文本块，但有一些拼写错误：
小脑控制运动的电路
由 Joun C. Eccuss 撰写
AMA/ERF 生物医学研究所，芝加哥
1967 年 5 月 16 日发布
神经解剖学家普遍认为小脑提供
我们最初努力辨别功能的最大挑战
神经元模式中的意义，因为有一个刻板的和简单的
其独特的神经元成分的几何排列。
想必也正因如此，才有了最精致的
中枢神经中可用的微观结构知识
系统。 Ram6n y Cajal 的先驱调查！已经导致
最近关于微观结构的迷人发展，
几何排列和数值评估。”
如图1所示，*只有两种传入纤维
向小脑、攀爬纤维 (cf) 和
苔藓纤维 (m/f);并且只有一种类型的传出纤维
来自小脑的浦肯野细胞 (Pc) 的轴突，
终止于小脑核（en），否则主要终止于
代特氏核。攀爬纤维独特地分布在
单身
小说。 1.——福克斯的透视图？叶子的一部分
小脑皮层。主要组成部分以图表形式显示
形式，并在正文中描述。
336