使用pdfplumber（Python）从包含多列的pdf中提取文本答案

【问题标题】：Extracting text from pdf containing multiple columns with pdfplumber (Python)使用pdfplumber（Python）从包含多列的pdf中提取文本
【发布时间】：2020-10-08 09:59:39
【问题描述】：

我正在从 pdf（使用 python）中提取文本以分析它们，因此我经常处理科学论文。我正在使用 pdfplumber，它运行良好，唯一的问题是此类 pdf 通常包含 columns，我还没有找到让我的算法识别这一点的方法。 p>

我的代码是：

text = ""
with pdfplumber.open(r'example.pdf') as pdf:
    pages = pdf.pages
    for i, pg in enumerate(pages):
        text = text + " " + pages[i].extract_text(x_tolerance = 1)
text = text.replace('\n',' ')
text = text.replace('\r',' ')
text = text.replace('\no',' ')
text = text.replace('\nD',' ')
text = text.lower()
text = re.sub(r'[^a-zA-Z0-9\s]', ' ', text)

你知道一个可能对我有帮助的函数吗？谢谢！

【问题讨论】：

问题解决了吗？你能更新一下状态吗

标签： python multiple-columns text-extraction

【解决方案1】：

假设列由" " 分隔，那么您可以使用draw_rects() 函数从列中制作文本。

该过程要求您首先使用检测chars和spaces

im.reset().draw_rects(p0.chars)

然后使用

text = p0.extract_text()

将为您提供列的文本格式。这个例子说明了它是如何做到的 - Extract the column text from the PDF

【讨论】：