文本提取项目 - 仅从 PDF 中提取特定行/项目的最佳工具？答案

【问题标题】：text extraction project - best tool for extracting only specific rows / items out of a PDF?文本提取项目 - 仅从 PDF 中提取特定行/项目的最佳工具？
【发布时间】：2012-03-25 16:26:57
【问题描述】：

我正在做一个从 pdf 文档中提取指定文本的项目。我没有这种提取的经验。一个问题是我们不只是想要转储文档中的所有文本。相反，有没有办法只提取 pdf 中的某些字段？是否有可以用于此类事情的 pdf 模板的概念？

我正在尝试使用 Apple 的 Automator - 这可以获取所有文本，但不能获取指定文本。理想情况下，我希望 Pages 中的某个人拥有例如 30 行谨慎的文本，其中 20 行被指定为“目录项”，并且我们的 Automator 脚本只占用这 20 行。

关于最佳工作流程/提取工具的任何想法？我更喜欢只使用消费者级别的项目，例如 Apple Pages、Automator，以及 ruby 或 python 作为脚本语言。

谢谢

编辑 #1 看起来带标签的 pdf 可能是执行此操作的一种方法 - 不确定 Apple Pages 对此的支持程度如何

【问题讨论】：

好奇为什么人们投票关闭？
您要提取的 PDF 文档是 tagged-pdf 格式吗？
我们可以选择是否标记它们。这些将是最终用户可以生成的文档，但不确定（或是否完全支持）标记的 pdf 的支持程度。这是一个从头开始的解决方案，因此任何想法都会受到赞赏。
如果最终用户正在制作这个，它是否需要是一个pdf？使用纯文本文档、csv 文件或除 pdf 之外的任何其他文件（因为 pdf 面向视觉美学，而不是信息检索），这项任务会容易得多。

标签： python ruby pdf text automator

【解决方案1】：

对于 python，最好的选择可能是PDFMiner。它可以提取每个文本字符串的坐标，因此您可以自己计算表单中的矩形并挑选出其中的内容。这都是相当低级的，但不幸的是 PDF 是一种相当低级的格式。

请注意，除非您已经对 PDF 的结构有很多了解，否则您会发现 API 和文档很少。查看使用示例，包括此处的 SO。

【讨论】：

【解决方案2】：

对于 Ruby，您可以尝试使用 pdf-reader 解析 PDF 并访问元数据和内容。提取您感兴趣的特定项目是另一回事，但如何去做这在很大程度上取决于您期望的数据格式。

【讨论】：

感谢回答 - 同意“另一个故事”。在这一点上，我们可以控制格式，所以我们想为 Apple Pages 自动文本提取系统的手问题创建最好的故事

【解决方案3】：

您可以在 Ruby 中使用Origami，这是一个旨在解析、分析、并伪造 PDF 文档，或 Python 等价物：Origapy，一个简单的 Python 基于 Ruby 的 Origami 接口。

【讨论】：

thx - 我用过 Origami，但我认为它不能处理带标签的 pdfs