如何使用 PDFplumber 在 pdf 文件中仅提取没有表格的文本？答案

【问题标题】：How i can extract only text without tables inside a pdf file using PDFplumber?如何使用 PDFplumber 在 pdf 文件中仅提取没有表格的文本？
【发布时间】：2021-02-20 16:31:38
【问题描述】：

我想使用 NLP 模块处理一些 pdf 文件，然后我想从所有现有表中清除这些文件。

这是使用pdfplumber提取表格的代码

import pdfplumber
pdf = pdfplumber.open("file.pdf")
page = pdf.pages[1]
table=page.extract_table()

但我想反转操作以仅提取文本

【问题讨论】：

标签： python pdf text nlp

【解决方案1】：

免责声明：我是pText 的作者，此答案中使用的库。

加载Document
你需要定义一个LocationFilter

LocationFilter 的作用与它在锡上所说的差不多。它会监听解析事件（如“渲染文本”或“将字体更改为”），但它只允许那些在给定边界内的事件通过。

请记住，PDF 坐标的原点位于左下角。因此，此示例中的LocationFilter 将仅匹配页面左下角的文本。

将SimpleTextExtraction 添加到LocationFilter

下一个问题是“LocationFilter 要将事件传递给什么？” 在这种情况下，您可以先尝试SimpleTextExtraction。

把它们放在一起：

l0 = LocationFilter(0, 0, 100, 100)

l1 = SimpleTextExtraction()
l0.add_listener(l1)

doc = PDF.loads(pdf_file_handle, [l])

加载文档后，您可以向SimpleTextExtraction 询问给定Page 上的所有文本。

l1.get_text(0)

您可以通过GitHub 或使用PyPi 获取pText 还有很多 examples，请查看它们以了解有关处理图像的更多信息。

【讨论】：

【解决方案2】：

你真的必须坚持使用 pdfplumber 吗？如果没有，我可以建议一个更好的解决方案，改用 tabula。这是您可以查看的类似问题的答案：tabula

【讨论】：

答案应该不仅仅是指向外部网站的链接。至少展示一下你如何使用制表符解决这个人的问题。