如何在 python 中使用 pdfMiner 来预测读取值

Question

我一直在使用 pdfMiner 从图表中读取值，到目前为止它运行良好！

但是，有一个区域可以正确读取正确的数据，但以不可预测的方式，这意味着它将正确读取所有图形值，其顺序与它们出现的顺序完全不同。

这并不完全是个问题，因为只要我知道，假设总是先读取最后一张图，我可以围绕它构建我的程序。除了似乎 pdfMiner 在读取这些数据的方式上几乎完全不可预测之外，我找不到可辨别的模式。

这很可能是因为我对 pdfMiner 很不熟悉，所以我不完全确定它是如何工作的。所以是的，如果有人能指出我正确的方向，那将非常有帮助。

Here 是我的数据

这是我正在使用的转换代码：

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from cStringIO import StringIO
global values

print "Getting readable PDF"

rsrcmgr = PDFResourceManager()
retstr = StringIO()
codec = 'utf-8'
laparams = LAParams()
device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
fp = file("graphExtraction.pdf", 'rb')
interpreter = PDFPageInterpreter(rsrcmgr, device)
password = ""
maxpages = 0
caching = True
pagenos=set()
for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching,           check_extractable=True):
    interpreter.process_page(page)
fp.close()
device.close()
str = retstr.getvalue()
retstr.close()
values = str

Answer 1

使用边界框信息来跟踪文档的流程并找出先出现的内容。