使用 pdftotext 后：从 txt 中查找字符串页面

Question

我目前正在使用 python 编码并设法使用 pdftotext 来从 pdf 中提取文本。

那个特定的文本文件被分割成一个字符串列表。通过使用正则表达式，我可以找到我感兴趣的特定单词。我将文本划分为列表的原因是我想测量两个特定单词之间的距离，距离是指两个特定单词之间的单词数两个字。

但是，在找到单词的位置后，我希望能够参考最初的 pdf。详细来说，我对这些单词所在的页面甚至行（如果 pdf 支持这种结构）感兴趣。

我的一个想法是对 pdf 的每一页都执行此过程，因此当我找到这些单词时，我知道这是在哪一页上。但这有一个很大的缺点，有时分页符不一定是自然的。意思是，如果不幸地被分页符隔开，我将无法找到单词。

您知道如何以更复杂的方式执行此操作吗？

Answer 1

您需要一个比您正在使用的库更复杂的库。 Datalogics PDF Java Toolkit 有几个类可以从 PDF 文件中提取文本。您使用哪一种取决于您想在提取后对文本执行什么操作。 ReadingOrderTextExtractor 将创建一个列表列表，允许您提取文本并检查段落的内容、这些段落中的句子以及该句子中的单词。您不仅可以分辨单词之间的距离，还可以分辨它们是否在同一个句子或段落中。您找到了一个 Word 对象，然后您可以找到它在页面上的位置（允许突出显示）以及它所在的页码。