在不更改布局和格式的情况下，在 python 中从 pdf 中提取文本的最佳方法是什么？答案

【问题标题】：What's the best way to extract text from pdf in python without changing the layout and format?在不更改布局和格式的情况下，在 python 中从 pdf 中提取文本的最佳方法是什么？
【发布时间】：2019-10-14 12:45:32
【问题描述】：

我想要具有精确格式和布局的 pdf 文本。
如果 pdf to text 不是直接选择，是否可以执行 pdf -> xml -> text？
我已经尝试过 PyPDF2、pdfminer 和 pdftotxt。即使我尝试使用 AWS textract 并得到不正确的布局。
基本上，如果我可以从pdf中提取的文本中构造句子，那就足够了。
我使用了 Zamzar API，它提供了准确的输出，但它们非常昂贵。任何可能的解决方案？

【问题讨论】：

标签： pdf text pypdf2 pdfminer pdftotext

【解决方案1】：

如果您希望保留 PDF 的结构而不是字体、颜色、大小等，请尝试使用 pdftables_api 库。这应该包含您的 PDF 的布局。将 PDF 转换为 CSV，因为 CSV 文件只是一个逗号分隔的文本文件。

如果您希望保留字体、颜色等，Zamzar API 可能是您的最佳选择。

【讨论】：