PDF矿工 - 如何提取字体大小？

Question

我很好奇，能不能用pdfminer这个工具来提取字体大小。我觉得这对区分不同的部分会很有帮助。我知道下面有讨论，但我还是想知道用pdfminer是否可行。

从PDF中提取文本时考虑格式（字体大小、类型等）

pdfminer的文档上说这是可能的，http://www.unixuser.org/~euske/python/pdfminer/

但是当我在命令行输入以下内容时，我只得到一个纯文本文件。我没有看到任何字体信息。

pdf2txt.py -o output.html samples/CentolaCV.pdf

例如...

2008-13  Assistant Professor, Sloan School of Management, M.I.T.  

2006-08   Robert Wood Johnson Scholar in Health Policy, Harvard University 

2001-02   Visiting Scholar, The Brookings Institution

Answer 1

这个任务让我困惑了很久。除了提取字体信息，我还想在一个Python脚本中运行这段代码。

不过，今天我终于解决了这个问题。下面我写了一个脚本，它从命令行调用了pdf2txt.py这个脚本，然后从解析后的PDF和新创建的HTML文件中提取字体信息。

import os

pathToScript = r'path\to\script\pdf2txt.py'
pathPDFinput = os.path.join(path\to\file, 'test.pdf')
pathHTMLoutput = os.path.join(path\to\file, 'test.html')

# call the pdf2txt.py from the command line
os.system('python {} -o {} -S {} -t html'.format(pathToScript, pathHTMLoutput, pathPDFinput))
  

提取每个HTML标签的字体大小：

# credits to akash karothiya: 
# https://stackoverflow.com/questions/39012739/need-to-extract-all-the-font-sizes-and-the-text-using-beautifulsoup/39015419#39015419

import re
import pandas as pd
from bs4 import BeautifulSoup

# open the html file
html = open(pathHTMLoutput, 'r')
soup = BeautifulSoup(html)

font_spans = [data for data in soup.select('span') if 'font-size' in str(data)]
output = []
for span in font_spans:
    fonts_size = re.search(r'(?is)(font-size:)(.*?)(px)', str(span.get('style'))).group(2)
    fonts_family = re.search(r'(?is)(font-family:)(.*?)(;)', str(span.get('style'))).group(2)

    # split fonts_family into fonts-type and fonts-style
    try:
        fonts_type = fonts_family.strip().split(',')[0]
        fonts_style = fonts_family.strip().split(',')[1]
    except IndexError:
        fonts_type = fonts_family.strip()
        fonts_style = None

    output.append(
        (str(i.text).strip(), fonts_size.strip(), fonts_type, fonts_style)
    )

# create dataframe
df = pd.DataFrame(output, columns = ['text', 'fonts-size', 'fonts-type', 'fonts-style'])

Answer 2

试着用 -t 这个标志来指定文件输出类型：

pdf2txt.py -o output.html -t html samples/CentolaCV.pdf

这样应该会生成一个包含字体样式（比如字体和字号）的html文件。

编辑：其实，看起来输出文件的后缀名也可以在没有 -t 标志的情况下指定输出文件类型。你能分享一下你想提取字体样式的pdf文件链接吗？