没有项目描述
PDF-Layout-Scanner的Python项目详细描述
关于
此脚本使用pdfminer将pdf转换为txt （http://www.unixuser.org/~euske/python/pdfminer/index.html）。
pdfminer是由yusuke shinyama用python编写的pdf解析库。
除了pdf2txt.py和dumppdf.py命令行工具之外，还有 是一种以编程方式分析每个页面的内容树的方法。
这是使用 pdfminer，它继续默认文档 （http://www.unixuser.org/~euske/python/pdfminer/programming.html#layout） 停止。
此代码仍在进行中，还有改进的余地。
安装
因为它在pypi上可用，所以安装起来非常容易。
pip3 install pdf_layout_scanner
与pdfminer相比的优势
此脚本将从包含多列的PDF中提取文本。
用法
一般用法
frompdf_layout_scannerimportlayout_scanner# get a list of the table of contentsget_toc()# get the full textget_pages()
实例
frompdf_layout_scannerimportlayout_scannertoc=layout_scanner.get_toc('/path/to/your/pdf-file.pdf')print(len(toc))# the number of elements in the pdf document's table of contentsprint(toc[0])# a tuple containing the ordinal sequence and the title string,# for example:# (1, u'Introduction')pages=layout_scanner.get_pages('/path/to/your/pdf-file.pdf')print(len(pages))# should return the number of pages in the pdf documentprint(pages[0])# a string of all the text on the first page
改进空间
列合并-而我所描述的模糊启发式对于 到目前为止，我已经解析了pdf文件，我可以想象更复杂的文档 它会在哪里分解（也许这就是分析应该在哪里 更复杂，而且不忽略这么多类型的pdfminer.layout.lt*objects）。
图像提取-我希望至少能够 pdftoimages，并以ppm或pnm默认格式保存每个文件，但我 不知道我能做些什么
标题和标题大写-这似乎是一个问题 pdfminer，因为我在使用命令行工具时得到了类似的结果， 但是，不得不回去解决所有的错误资本化是令人恼火的。 手动操作，尤其是对于较大的文档。
标题和标题字体和间距-一个相关的问题，虽然可能 在我自己的代码中，是那些相同的标题和段落标题 与正文其他部分没有区别。在很多情况下，我不得不 返回并手动添加垂直间距和字体属性。
页码删除-最初，我以为我可以使用regex 对于单个物理行上的全数值，但是每个文档 页面编号是否略有不同，并且很难 不用手工校对每一页就把这些去掉。
脚注-在注释和引用同时出现时处理这些 在同一页上做已经够难了，但是当它们跨越不同的时候 （甚至是连续的）页面更糟糕。
贡献
在这个分叉的项目中，我对原来的做了一些修改。
- 增加了对ltfigures中文本的支持
- 优化的数据操作和存储 从简单的dict更改为dataframe。 这将使进一步的贡献更容易。
- 添加了ProgressBar
Github
https://github.com/yoshihikoueno/pdfminer-layout-scanner
欢迎加入QQ群-->： 979659372
