使用Python进行高级PDF解析(提取无表文本等):最好的库是什么?[闭门]

你也可以看看 PDFMiner (或有关Python的旧版本,请参见 PDFMiner 和 PDFMiner

但你的问题确实不是一个容易解决的问题,因为在PDF中,文本不是连续的,而是由页面中绝对定位的许多小字符组组成的。PDF的重点是保持布局完整。它不是以内容为导向,而是以表达为导向。

这是一个很难解决的问题,因为视觉上相似的PDF可能有一个非常不同的结构,这取决于它们是如何产生的。在最坏的情况下,库基本上需要像OCR一样工作。另一方面,PDF可能包含足够的结构和元数据,以便轻松删除表格和图形,可以对库进行定制以利用这些结构和元数据。

我很确定没有开源工具可以解决各种各样PDF的问题,但我记得听说过商业软件声称完全按照你的要求去做。我相信你在谷歌搜索的时候会碰到他们。