从 PDF 获取树文件（最好使用 Python）答案

【问题标题】：Getting files of trees from PDF (preferably using Python)从 PDF 获取树文件（最好使用 Python）
【发布时间】：2019-02-25 02:09:45
【问题描述】：

我想制作一系列包含此 PDF (http://mica.lif.univ-mrs.fr/d6.clean2-backup.pdf) 中树木的文件。文件的名称将是左侧对应的树编号（t0、t1 等）。

我曾尝试使用 python 来提取相关信息和树，但我遇到了麻烦。具体来说，当我尝试将树木提取为图像时（使用https://nedbatchelder.com/blog/200712/extracting_jpgs_from_pdfs.html），没有任何树木出现（可能是因为树木的格式不正确）。但是，当我尝试将其全部提取为文本（如https://www.geeksforgeeks.org/working-with-pdf-files-in-python/）时，树会丢失所有格式（我认为还有一些信息）。我怎样才能从这个 PDF 中获取我想要的文件？可以用 Python 完成吗？还有其他更简单的方法吗？

或者，我从中获得 PDF 的网站 (http://mica.lif.univ-mrs.fr/) 具有另一种形式的树（例如：t27 S##1#l# NP#0#2#l#s NP#0#2# r#s VP##3#l# V##4#l#h V##4#r#h NP#1#5#l#s NP#1#5#r#s VP##3#r #S##1#r#)。有没有什么好的方法可以将这种形式转换成树木形式的良好视觉效果？

任何一种方法（或其他方法，如果人们有想法）的任何帮助将不胜感激。谢谢！

【问题讨论】：

也许您可能想展示您当前的一些代码，以便有人可以更好地帮助您找到解决方案。

标签： python pdf tree nlp extraction

【解决方案1】：

如果您查看 PDF 文件的元数据，您会发现它是由TeX (LaTeX) 创建的文件。我建议您从创建此文档的人那里获取原始 LaTeX 源文件（而不是 PDF），而不是尝试对 PDF 中的图表进行 OCR。

基本上，由于 PDF 的创建方式，从这个 LaTeX PDF 回到文档是不可能的（无需大量工作）。您可以考虑尝试将 PDF 转换回文档，类似于对软件进行逆向工程（就像其他 Stack Overflow 成员在关于从 PDF 转换回 LaTeX 文档的线程中提到的那样）：https://stackoverflow.com/a/1620020/10382707

有时，如果我想对 PDF 进行一些简单的光学字符识别 (OCR)，我会尝试将它们上传到 Google Docs，看看他们的 OCR 引擎如何从 PDF 文档中提取文本。 GDocs OCR 适用于以标准方式格式化的 PDF，但它往往会在表格、图表等内容上中断。

如果您有兴趣将数学方程式的图片转换为 LaTeX，您可能想查看此 neat tool that some researchers at Harvard created 作为 OpenAI 的 Call for Research 的一部分它会将数学方程的图像转换为LaTeX notation。

【讨论】：