如何使用 PDFPlumber 从两列 PDF 中提取文本

Question

我正在使用 python 进行主题建模任务，我想从年度/可持续发展报告中提取文本。但是我的问题是，当我尝试提取报告时，提取的行在页面中的两个不同列之间断开，即，它将相邻段落中的两个不同行连接成一个句子。如何完全按照报告中的方式提取线条。我附上了报告的版本和函数提取的行。

下面是我使用的函数：

#函数从url获取pdf：

def converter(url):
    text=[]
    req= requests.get(url)
    with pdfplumber.open(BytesIO(req.content)) as pdf:
        for i in range(0, len(pdf.pages)):
            pages= pdf.pages[i]
            text.append(pages.extract_text())
    return "\n".join(str(i) for i in text)

The image is a snippet from the report I am extracting, the text in the report is divided into two columns and the extract_content function mixes up these two columns to get a line, i.e., joins lines in two columns and presents as a single line.

这里是报告的第一行（第一列和第二列的开始，由函数合并在一起）：

\n我在 2019 年的首要职责之一是面试我们 踏上了新的战略时期\非“早安挪威”节目 在 2016 年的谈话中，我表示希望 AF 能感受到\n关于 AF 的 当我们的目标是紧密结合的百分比增加一倍 希望超越\n女性

如果我能以报告中给出的确切方式提取句子，将会很有帮助。

Answer 1

这是基于response by samkit-jain 对包上的一个问题。

密钥是page.crop

假设没有页眉信息，将页面裁剪成两半：

left = page.crop((0, 0, 0.5 * page.width, 0.9 * page.height))
right = page.crop((0.5 * page.width, 0, page.width, page.height)

然后提取文本并连接：

l_text = left.extract_text()
r_text = right.extract_text()
text = l_text + " " + r_text

当然，如果您的报告中的某个页面有一个跨越两列的图形，那么这种方法会搞砸，因此您可能必须在每个页面上自定义它。