从包含两列的PDF中很好地提取文本
是指从PDF文档中准确地提取出包含两列排列的文本内容。这在许多场景中都是非常有用的，比如从报告、表格、论文等文档中提取数据。
为了从包含两列的PDF中提取文本，可以使用以下方法：
- 使用OCR技术：OCR（Optical Character Recognition，光学字符识别）技术可以将PDF中的图像转换为可编辑的文本。通过使用OCR软件或库，可以将PDF中的两列文本转换为可编辑的文本格式，以便进一步处理和分析。
- 使用PDF解析库：使用PDF解析库可以直接解析PDF文档的结构和内容。这些库可以提取出PDF中的文本、图像和其他元素，并将其转换为可编辑的文本格式。一些常用的PDF解析库包括PyPDF2、PDFMiner、Apache PDFBox等。
- 使用自然语言处理技术：如果PDF中的两列文本具有一定的结构和规律，可以使用自然语言处理技术来提取文本。通过分析文本的结构、语法和语义，可以将两列文本分开并提取出需要的内容。
- 使用表格提取工具：如果PDF中的两列文本以表格形式呈现，可以使用表格提取工具来提取文本。这些工具可以自动识别和提取表格中的数据，并将其转换为可编辑的文本格式。一些常用的表格提取工具包括Tabula、Camelot等。
在实际应用中，可以根据具体的需求选择适合的方法和工具来提取文本。以下是一些腾讯云相关产品和产品介绍链接，可以帮助实现从包含两列的PDF中提取文本的任务：
- 腾讯云OCR：提供了强大的OCR技术，可以将PDF中的图像转换为可编辑的文本。产品介绍链接：https://cloud.tencent.com/product/ocr
- 腾讯云文档识别：提供了PDF解析和表格提取功能，可以帮助提取PDF中的文本和表格数据。产品介绍链接：https://cloud.tencent.com/product/ocr
通过使用这些腾讯云产品，可以方便地实现从包含两列的PDF中提取文本的任务，并且腾讯云的OCR和文档识别技术能够提供高质量和准确的结果。
相关·内容
在我的程序中，我从PDF文件中提取了文本，并且运行良好。ItextSharp从PDF中逐行提取文本。但是，当PDF文件包含2列时，提取的文本就不正常了，因为每行连接两列。
我的问题是:如何逐列提取文本？
下面是我的代码。PDF文件是阿拉伯语的。对不起，我的英语不太好。
PdfReader reader = new PdfReader(@"D:\test pdf\Blood Journal.pdf");
int intPageNum = reader.NumberOfPages;
string[] words;
string line;
for (int i = 1; i &l
浏览 1提问于2014-08-26得票数 0
8回答
我正在尝试使用Perl从PDF文件中提取文本。我一直在命令行中使用pdftotext.exe (即使用Perl函数)从system文件中提取文本，这种方法工作得很好。
问题是我们有像α，β和其他特殊字符中的符号，这些符号不会显示在生成的txt文件中。此外，在文本中随机添加的额外空格也很少。
有没有一种更好、更可靠的方法来从PDF文件中提取文本，使文本包含所有的符号，如α，β等，并且文本将与PDF中的文本完全匹配(即没有额外的空格)？
浏览 11提问于2009-07-16得票数 23
1回答
我在用SSRS做一些报道。Visual 2015是用于设计报表的工具。他们做得很好，工作也很顺利。但是，我应该能够将它们导出成pdf或Excel格式。当导出到pdf格式看起来真的很好，如预期。问题是当导出到excel时。看起来不太好。一点都不好。基本上，这些报告包括一个tablix控件，用于显示从数据库中提取的数据和标题(从数据库中提取的数据的列名)。但是，标头是普通文本框，其中有固定的文本以标识数据库中的列。我这样做是因为有时我需要两个文本框(堆叠)，里面有不同的文本(例如:我可以让一个大文本框标识一个产品类别，在下面有5个不同产品的名称，数据将是产品的数量)。当导出到excel时，这看起来
浏览 2提问于2016-06-06得票数 0
回答已采纳
我正在尝试从PDF中提取文本，PDF中充满了表格。在某些情况下，列是空的。当我从PDF中提取文本时，emptys列会被跳过并替换为空格，因此，我的正则表达式无法确定在这个位置有一个没有信息的列。
更好地理解图像：
我们可以看到，在提取的文本中，列并不受尊重。
从PDF中提取文本的代码示例：
PDFTextStripper reader = new PDFTextStripper();
reader.setSortByPosition(true);
reader.setStartPage(page);
reader
浏览 2提问于2017-08-23得票数 3
回答已采纳
6回答
我需要使用iText从pdf文件中提取文本。
问题是:一些pdf文件包含2列，当我提取文本时，我得到一个文本文件，其中的列被合并为结果(即，两列中的文本在同一行中)
代码如下：
public class pdf
{
private static String INPUTFILE = "http://www.revuemedecinetropicale.com/TAP_519-522_-_AO_07151GT_Rasoamananjara__ao.pdf" ;
private static String OUTPUTFILE = "c:/new3.pdf&
浏览 1提问于2010-10-27得票数 9
回答已采纳
2回答
我正在使用python pdfminer库(参见docs)从pdf文件中提取文本。 然而，pdfminer似乎无法提取某些文件中的所有文本，而是提取LTFigure对象。假设从这个对象的位置，它“覆盖”了一些文本，因此这个文本没有被提取出来。 pdf文件和包含从pdf提取信息的代码的简短jupyter笔记本都在我专门创建的Github存储库中，目的是提出这个问题： https://github.com/druskacik/ltfigure-pdfminer 我不是一个pdf文件如何工作的专家，但常识告诉我，如果我可以在浏览器中使用control + f查找文本，它应该是可提取的。 我考虑过使
浏览 149提问于2021-01-28得票数 0
回答已采纳
当我试图从附加的PDF中提取表格时，我会得到一个UserWarning: No tables found on page-1。但是，当我查看提取的数据时，一些列文本被合并到一个列中。“
我使用来解析这些PDF
复制步骤：camelot --output m27.csv --format csv stream m27.pdf
下面是我正试图解析的PDF链接：
浏览 0提问于2018-11-09得票数 0
回答已采纳
1回答
我有这个pdf表数据，它看起来很标准，但是当我将整个文本提取到一个字符串对象中时，数据是从同一列中提取的，而不是逐行提取的。附有截图。
示例pdf文件
我只需要两栏的数据- 1)证券名称2)交易市值CCY /市值基金CCY
import sys
from pdfminer.high_level import extract_text
def convert_pdf_to_txt(path):
print('You passed in: ' + path)
text = extract_text(path)
return text
#Filepath
浏览 2提问于2021-11-23得票数 0
回答已采纳
我想使用python从PDF中提取高光、文本框和文本框颜色。
我在安装poppler时遇到了麻烦，在相关的问题中已经提到了
我也找不到如何使fitz包从pdf中提取突出显示的文本()，其中包含pg 3、4和14的突出显示，以及pg 4和14上的文本框。
import fitz
doc = fitz.open("example.pdf")
for i in range(doc.pageCount):
page = doc[i]
for annot in page.annots():
print(i, "||", annot.info
浏览 14提问于2022-05-19得票数 0
1回答
我正在尝试提取这些公司的年报文本。它的设计是在两列的大部分。所以我不知道如何正确地提取它，因为在使用pdftools包的R I中，我提取第一列的第一行紧邻第二列的第一行，而不是第一列的第二行。 这是我的代码： library(pdftools)
readpdf<- pdf_text("https://www.telefonica.com/documents/153952/13347920/2019-Telefonica-Consolidated-Management-Report.pdf/0a9c8382-c9ff-ba52-1d5b-e431a7efab3f") 我如
浏览 22提问于2020-09-18得票数 2
目前，我使用此代码从矩形(区域)中提取文本。
public static class ReaderExtensions
{
public static string ExtractText(this PdfPage page, Rectangle rect)
{
var filter = new IEventFilter[1];
filter[0] = new TextRegionEventFilter(rect);
var filteredTextEventListener = new FilteredTextEventList
浏览 2提问于2018-02-03得票数 1
回答已采纳
我使用TIKA和Tesseract从包含扫描图像的pdf文件中提取OCR文本。我已经设法用ResursiveParserWrapper而不是解析器解析包含图像的pdf文档，它工作得很好，但是客户端希望在其他地方完成与Tesseract OCR相关的所有配置，并使用现有代码从所有支持的格式中提取OCR文本。
现有的代码使用简单解析器来提取数据。谁能帮我解释一下，当我们要从包含扫描图像的图像或pdfs中提取数据时，为什么我们使用RecursiveParserWrapper而不是普通的解析器。
浏览 3提问于2018-06-25得票数 0
1回答
我尝试过不同的python库来从pdfs中提取特定的文本，我必须从这个pdf中提取标题下的文本，我必须将从例1开始的文本提取为菱形粗体。
下一个pdf包含不同格式的的数据。在这个pdf中，我必须从历史提取数据到检查，然后从检查到调查与历史和调查作为一个excel文件中的列和相应的数据行。python regex不能满足这个条件，因为每种pdf格式都是不同的，我们需要来自不同pdfs的不同类型的文本。
除了这些类型的pdf之外，我还有不同类型的pdfs来处理，我尝试过不同的python库，比如pdfminer、pdfplumber、PyMUPDF、pytesseract、these、GROBID
浏览 20提问于2022-06-30得票数 0
我们有一个应用程序，它从表单(它最终是一个电子表格)中提取文本，然后从数据库中提取文本并创建pdf文档。使用fdpf，一切都运行良好。但是文档的标题部分目前是来自<texarea>的纯文本发布，我们希望使用tinymce将该部分升级为富文本。我可以很容易地使用https://github.com/spipu/html2pdf从文本创建一个漂亮的、完整的文档，但它只是文档的一小部分。这个标题不是"Header"，它是从jpg图像中获取的。 我尝试了几种方法，包括用富文本(html)部分创建一个单独的文档，并尝试合并这两个文档，如果这两个页面是单独的页面，则效果很好，
浏览 80提问于2019-04-03得票数 0
我使用itextpdf从我的android应用程序中的pdf中提取文本。对于有英语语言的pdf来说，它很好，但是当我试图从marathi或印地语pdf中提取文本时，它并不是提取正确的文本。
它带来的结果是
मत्रबधअरुणकळकणीैंुशेणानेजधमनीसारवनूझाल्याआधणसमुाककागणुगणुतरागोळीकाढूलागली。तीं
请帮助我提取适当的内容。
浏览 0提问于2016-12-02得票数 2
回答已采纳
我正在尝试从PDF中提取图像，PDF是受保护的。
对于普通的PDF，可以很好地提取图像，而从受阅读保护的PDF中也可以很好地提取文本。然而，这些图片却是另一个故事。它既不提取所有图像，也不以模糊的灰色或黑色提取所有图像。
在下面的PDF ()中，您可以在下面的缩略图中看到很多图像：
我尝试了来自pdfimages的命令
$ pdfimages -j ticket.pdf i
和来自的命令
$ pdftohtml -nodrm ticket.pdf
但这两张照片都只提取了其中的一幅。但是，该图像被正确提取。从其他PDF，我得到所有的图像，但他们都是灰色或黑色。
因为据推测，读保护只是P
浏览 1提问于2015-04-30得票数 1
我使用了LocationTextExtractionStrategy的扩展版本来提取一个pdf的连接文本及其位置/大小。我是通过使用locationalResult来做到这一点的。在我测试一个包含不同字体文本的之前，这是很好的。突然，这些文字被分割成单个字符或小片段。
例如，"Detail“不是locationalResult列表中的任何一个对象，而是拆分为六个项(D、e、t、a、i、l)。
我尝试通过公开方法来使用getLocationalResult：
public List<TextChunk> GetLocationalResult()
{
retu
浏览 3提问于2016-11-17得票数 0
回答已采纳
考虑您有一个可疑的pdf文件，可能包含恶意软件。是否足以：
在虚拟环境中打开pdf文件，让pdf查看器或pdf创建者程序“打印到文件”一个新的干净的pdf文件从原来的？
使用程序只从受污染的文件中提取文本，而只将文本保存到*.txt文件中？
如果两者都不够，是否有像"NoScript“这样的pdf工具？或者，为了防止pdf恶意软件--除了虚拟机之外？
浏览 0提问于2015-01-03得票数 7
1回答
使用python只从整个PDF文件中提取相关文本，并将输出数据存储到Excel的特定列中。我试图解决它，但不能提取特定的文本值。
下面是需要提取的示例输出的屏幕截图：
我想提取excel.不同列中的发票号、订单号和总价值。
到目前为止，我已经尝试过：
import pdfplumber
pdf = pdfplumber.open('file.pdf')
page = pdf.pages[0]
text = page.extract_text()
print(text)
pdf.close()
但没有得到准确的输出。使用上面的脚本！
请建议!！
浏览 8提问于2020-09-30得票数 0
如何使用C#从PDF或XPS中提取具有格式的文本？
我有一些PDF/XPS文件，它们是由另一个报告软件生成的。该文件主要包括列出一些数据的表。
iText可以从pdf文件中提取文本，但随后丢失了某些格式，例如，下面的表格中，提取的文本是：
Faults
Count FMI Lookup Code Description Component Status
Active Body Controller Heating Ventilation/Air Conditioning (HVAC) Control
Head Air Inlet DM1. HVAC motor in wrong
浏览 10提问于2020-07-15得票数 3
3回答
提取文本并使用python保存
、、、、
如何从PDF文件中提取以下PDF格式的文本。PyPDF2不以适当的可读格式提取文本。
我研究过PyPDF2和Pandas。两者都能够提取数据，但数据存储为1列。我需要以这种所需的格式将提取的数据存储为csv文件。
这就是我试过的
import PyPDF2
import openpyxl
from openpyxl import Workbook
pdfFileObj = open('sample.pdf', 'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
pdfReader.numP
浏览 12提问于2022-06-14得票数 0
回答已采纳
2回答
我正在寻找一个PDF库，将允许我从PDF文件中提取文本。我看过PyPDF，它可以很好地从PDF文档中提取文本。
我想从PDF文档中提取文本，不包括任何表格和特殊格式。有没有这样的图书馆呢？
浏览 57提问于2009-12-05得票数 82
回答已采纳
1回答
我试图用两列突出显示PDF中的文本，但问题是提取器按行提取文本。因此查询到的文本不会匹配。我在想，pdfclown中是否有一些函数可以帮助我提取页面的前半部分，即第一列，然后可能通过选择区域来提取第二列。
谢谢。
浏览 4提问于2013-05-21得票数 0
回答已采纳
我希望采取一个PDF，并从中提取任何文本。然后，我想使用ColdFusion的available Verity搜索来搜索内容。
有没有已经做得很好的库了？我在作用域中包含了Java或.NET (Java首选)库，因为它们可以从CF调用。
任何见解或经验都将非常感谢……谢谢!
编辑:根据我对CF的了解，当文本嵌入到PDF中时，索引PDF文件就能正常工作。我要处理的PDF文件会将文本作为图像进行扫描。
浏览 1提问于2009-01-30得票数 1
回答已采纳
2回答
MATLAB提供了函数，它允许我们从PDF文件中读取文本以及其他文件格式，并将提取的文本保存为字符串。
我们可以向这个函数传递一个额外的参数，以便从文档的特定页面中提取文本。
例如，要从示例exampleSonnets.pdf文件中提取第3、5和7页的文本：
str = extractFileText("exampleSonnets.pdf", 'Pages', [3 5 7]);
然而，这个函数并没有提供一种方法来找出PDF文档预先包含的总页数。
所以如果我们碰巧做了这样的事情：
str = extractFileText("exampleSonnet
浏览 24提问于2019-01-13得票数 1
回答已采纳
我尝试使用PDFTextStripperByArea和PDPageContentStream类从我的pdf文件中提取数字值。他们工作得很好！
但我的要求是使用PDFTableExtractor类或PDFTable来读取pdf内容。您能告诉我访问上述类所需的、maven依赖项、和jar文件是什么吗？还提到从特定位置获取值所需的方法。
我还有一个疑问。我们可以从PDF文件中提取表格格式的数据吗？我的意思是有行的数据和有表行的列。如果一个页面包含一些文本和一个表，我们可以只读取表头和行吗？我已经在GitHub中上传了我的页面。点击！从这张图片中，我只需要毛保费、消费税和应付总额的价值。请告诉我是否有
浏览 4提问于2018-01-23得票数 0
回答已采纳
1回答
我正在开发一个算法，从PDF文件中按阅读顺序提取文本和图像。为此，我使用了iText java，基本上我的算法如下所示。
使用iText提取页面中每个文本块的坐标。
矩形对象是使用提取的坐标创建的。在这一步之后，我们有大量的矩形对象表示页面中的实际文本块。
将矩形分组为更大的文本块，这些块将对应于pdf页面中的实际列。
将文本块按Y排序，然后按X排序
对文本块逐一应用locationTextExtractionStrategy。
这种方法为具有中等到复杂布局的PDF文件提供了大约80%或略多一点的结果。我知道，几乎不可能获得100%的准确性，因为PDF文件没有存储信
浏览 8提问于2016-07-30得票数 0
我有一个pdf，这是由Ghostscript 8.15。我需要处理这个pdf从我的软件提取字体名称从pdf文件，然后执行一些操作。但是，当我从这个pdf文件中提取字体名称时，这些名字并不像应该的那样。例如:原始字体名为“NOORIN05 05”，但pdf文件包含“TTE25A5F90t00”。如何将这些字体名解码为原始名称。所有字体都是TTF。
注意:为什么我需要提取字体。实际上有一个名为的软件，它在印度和巴基斯坦最有名，可以用乌尔都语编写文档，因为在文字处理器支持unicode之前，这是在计算机中输入乌尔都语的唯一解决方案。由于乌尔都语的复杂性，这个软件使用了89个名为NOORIN01到NO
浏览 4提问于2017-06-10得票数 1
回答已采纳
我知道
pdftotext -f 42 -l 42 -layout mypdf.pdf
给我从mypdf.pdf中提取的第42页的内容，用“正确”的布局格式化。但是我有一个两列设计的页面，其中列之间的行不匹配。显然，pdftotext只是简单地删除了一些内容。
是否有可能给它一个框的坐标，在其中它应该提取文本/布局？
如果无法在pdftotext中执行，也可以接受Python-解决方案。
浏览 0提问于2017-08-16得票数 0
2回答
我使用从PDF文件中提取表格。虽然这很好，但它只提取文本，而不提取嵌入在表中的超链接。
是否有一种方法可以使用Camelot或类似的包来提取表中嵌入的表格文本和超链接？
谢谢!
浏览 9提问于2022-12-02得票数 1
2回答
我在数据库中有一个列FileContent (datatype image)，它存储pdf、zip和docx文件。
FileContent列在数据库中具有以下值：0x2550444...
我使用python将SQL表读入DF，列FileContent中的值包含奇怪的文本，而不是0x2550444...：
%PDF-1.7\n\n\n 0 obj\n(标识)\nendobj\n 0 obj(Adobe)endobj8 0 obj>流xœì½x\ÅÕ7>sïÝÞ«¶hµ»ZíJòªKV³，b‘’eK 2 2 eKVqa ml 0ƒ˜NBÁ$ÙÆ¢>¼¦…‘’ý~+Bž£¥åó_
浏览 1提问于2017-03-29得票数 1
我在python应用程序中使用tika从文档中提取文本。一切正常，但它不是从pdf文件中提取的图像。Tika可以从pdf和图像中提取文本，但不能从包含图像的pdf中提取文本。我有点困惑。有没有办法做到这一点？是否需要将PDF文件转换为图像？
浏览 3提问于2018-10-11得票数 1
我必须从现有的PDF文档中提取文本。目前，我使用PyMuPDF模块来实现这一点。总体而言，它工作得很好，而且速度非常快。问题是，这个工具会用新的换行符替换pdf文档中的所有水平制表符(例如，在headings: 5 \t Topic中)。由于我必须逐行提取文本，这对我来说是非常不切实际的。
有没有人知道如何解决这个问题，或者知道另一种方法来逐页逐行提取文本页面？我还尝试了tika (这里我不能分页提取文本)和PyPDF2 (这太可怕了:对于任何格式化的文本(比如粗体)，它会在提取的文本中换行。
for document in pdfPath:
string_dic[document]
浏览 17提问于2019-05-04得票数 1
当使用iTextSharp从PDF文件中提取文本时，我得到这个错误：“找不到图像数据或EI”
此错误发生在仅包含图像的特定页面上。
原因可能是因为我试图提取文本，而不检查页面中是否有任何文本内容？
浏览 1提问于2013-12-05得票数 0
我正在尝试从PDF中提取文本。PDF包含印地语(Unicode)文本。我使用的提取实用程序是Apache PDFBox ( )。提取器提取文本，但文本无法识别。我尝试了在多种编码和字体之间切换，但仍然无法识别预期的文本。下面是一个例子:假设PDF中的文本是:पवार
解压后的内容是：̄？3⁄4？？̧ü
有什么建议吗？
浏览 3提问于2011-09-20得票数 4
回答已采纳
问题: PDF文件和扫描文件中的图像包含无法复制或编辑的文本。但是，由于文档的大小和所涉及的大量时间，手工打字是不可能的。
我正在寻找一个应用程序，从pdf和图像文件的窗口提取文本。
最好是，
重量轻，使用简单
用简单的方法识别PDF和图像文件中的文本
文本可以保存在新的可编辑PDF或RTF文档中。
开源或高级版
浏览 0提问于2019-12-05得票数 1
2回答
PDF提取时忽略表格
、、、
我正在尝试用Java制作一个文本处理应用程序，它需要文本作为输入。现在，我从用户指定的PDF文件中提取此输入。我正在使用PdfBox进行文本提取。我遇到的问题是，PDF文件可能包含表格、方程式和特殊符号，所以PdfBox提取的文本在很多地方都包含垃圾。由于这个原因，我的文本处理应用程序无法给出它的最佳结果。我想知道PDF是否有特定的表格格式，这样我就可以到达根级别，并在提取时排除它们。此外，在许多情况下，提取的文本包含呈现为“？”的未知字符。虽然在实际的PDF中，它们看起来是普通的字母表。我也尝试过其他库- IText，但效果并不理想。简而言之，我想要的是从PDF文件中提取简单的句子，排除所有
浏览 2提问于2012-03-27得票数 0
我有一吨的PDF文件，是在两列布局。当我使用PyPDF2提取文本时，它读取整个第一列(类似于标题)和整个第二列。这使得在标题上拆分是不可能的。它在两列中列出：
____ __________
COL1 Col2
COL1 Col2
COL1 Col2
COL1 Col2
____ __________
我想我需要沿着列的边缘将PDF一分为二，然后从左到右阅读每一列。8x11PDF的宽度是2.26英寸。我也可以使用PyPDF2获得坐标。
有没有人有这样做的经验或者知道我会怎么做？
编辑:当我使用PyPDF2编辑extractText时，输出没有空格: Col1Col1Col1Col1Col2Co
浏览 0提问于2018-05-17得票数 0
1回答
如何从PDF文件中提取文本，而PDF文件在列中被分隔，从而得到由该列分隔的结果？
这些列可以有不同的高度，有时可以跨越多个页面。
下面是PDF样本的图片。这就是我需要阅读课文的方式。
两条黑线之间的每一段都是一个组。在每个组中，第一列可以跨越多行，第二列和第三列是相关的每一行。
我尝试了由链接提出的解决方案，如下所示。，但没有运气。
任何帮助都将不胜感激。
pdf可在以下连结获得。
浏览 2提问于2019-07-12得票数 1
1回答
我有PDF文件。
它包含表格格式的数据。我希望使用逗号作为列分隔符将数据提取到逗号分隔的文本文件中。
有什么建议吗？
浏览 2提问于2015-04-15得票数 0
回答已采纳
我们正在尝试启用全文搜索。应用程序将PDF文件存储在Azure Blob存储中，这是Azure搜索的数据源。其中大部分都很好，但是Indexer无法从几个PDF中提取文本。有没有Azure搜索索引可以提取的特定类型的PDF？如果是的话，他们是什么？
对这方面的任何信息、帮助/支持深表感谢。
浏览 1提问于2018-01-27得票数 1
回答已采纳
1回答
我从文档中提取了文本，并注意到该文本包含一些未知字符，例如：
"An adversary modiقes the aggregation result"
很明显，ق不是真正的字符，应该用"fi“代替--还有其他类似的例子。
我可以使用python将这些字符替换为正确的英文字符吗？
我写了下面的代码来从pdf文件中提取和解码文本流：
import zlib
file = open ("PDF_File.pdf"."rb").read() # read pdf file
objectPDF = re.findall('(\d+ \
浏览 0提问于2015-01-12得票数 2
2回答
我有一份pdf文件。pdf包含一个表格。表格包含许多单元格(>100)。我知道表中每个单元格的确切位置(x，y)和尺寸(w，h)。
我需要使用itextsharp从单元格中提取文本。使用PdfReaderContentParser + FilteredTextRenderListener (使用像这样的代码)，我可以提取文本，但我需要为每个单元格运行整个过程。我的pdf有很多单元格，程序需要太多时间才能运行。有没有办法从“矩形”列表中提取文本？我需要知道每个矩形的文本。我正在寻找类似PdfBox的PDFTextStripperByArea (您可以根据需要定义任意多个区域，并使用.get
浏览 4提问于2013-11-18得票数 0
我们正在使用沃森发现服务(WDS)来实现问答系统。我们要求每一个答案单位可以在单一的文件。我们有复杂的PDF文件作为语料库。PDF文件包含两个列数据、表和图像。我们使用Watson文档转换服务(WDC)将整个PDF文件作为WDS的语料库，然后使用WDC将每个PDF文件分割成应答单元，然后我们将那里的应答单元摄取到WDS中。
对于复杂的PDF拆分，沃森文档转换服务面临两个问题。
我们期望每个标题作为标题，相应的文本作为数据(答案)。然而，它是将每一章分割成一个单一的回答单元。是否有任何方法根据标题拆分两列文档？
如果输入PDF文件包含表，则文档转换服务以简单文本的形式读取PDF文件中可用
浏览 5提问于2017-09-18得票数 0
我们正在使用带有C# WinForms应用程序的iTextSharp来解析PDF文件。使用iTextSharp，我可以轻松地从PDF文件中提取文本数据。假设一个PDF文件包含一个由两行文本包围的图像。在这种情况下，我无法提取有关图像的信息。
我的要求是：
获取PDF文件的结构元素Process，无论每个元素的类型是文本、图像、表还是其他
例如，结构图元与以下内容类似：
text :paragraph1
text :paragraph2
Image:Image
text :paragraph3
Table:table info
text :Paragraph4
如果我能以这样的格式获得信息，我就
浏览 21提问于2012-02-16得票数 18
5回答
文本抽取中的文档布局分析
、、、、
我需要分析不同文档类型的布局结构，如：pdf、doc、docx、odt等。
我的任务是:给出一个文档，将文本分组，找出每个文本的正确边界。
我用Apache做了一些测试，它是一个很好的提取器，它是一个非常好的工具，但是它经常会搞乱块的顺序，让我解释一下我的顺序是什么意思。
Apache只提取文本，所以如果我的文档有两列，则Tika提取第一列的整个文本，然后提取第二列的文本，即ok...but --有时第一列上的文本与第二列上的文本相关，就像一个具有行关系的表。
因此，我必须处理每一个街区的位置，所以问题是：
定义盒子的边界，这很难.我应该明白，如果一个句子开始一个新的块或不。
浏览 12提问于2021-03-04得票数 6
回答已采纳
1回答
我的公司将每个客户的策略/服务摘要记录在一个pdf格式的文件中。这些文件每年合并成一个大型数据集。每个客户端和列都是客户端文档中的变量。这些文件有几千个，每个文件都有大约20-30个变量。我想要自动化这个过程，创建一个data.frame，每一行代表一个客户端，然后从他们的pdf文档中提取每个客户端的变量。我能够通过目录中的pdf文件名创建所有客户端的列表或data.frame，但不知道如何创建一个循环来提取每个文档所需的每个变量。目前，我有两个不同的方法，我无法在两者之间作出决定，还需要一个循环的帮助，该循环获取每个客户端文档所需的变量。下面提供了我的代码和两个模拟文件的链接。任何帮助都将不
浏览 4提问于2017-09-17得票数 2
回答已采纳
3回答
有没有任何可用的类，在php中提取所有的文本从pdf文件，以便我可以存储在mysql数据库中。我的pdf有许多元素，如图像，表格，纯文本，表单元素，图表等。
到目前为止，我在过去的两天里看到了许多提取文本的类，但没有一个促进完整的文本提取，不是从pdf中提取完整的文本。
我想从给定的pdf文件中提取所有文本，即使文本在表中等。
有人知道这事吗？:)
非常感谢。祝您有愉快的一天:)
浏览 1提问于2011-06-29得票数 2
回答已采纳
1回答
从图像中提取文本
、、
我正在尝试使用tesseract-ocr从图像中提取文本。 ? 第一张图片的结果： ? 现在，这在这一点上工作得很好。 ? 第二张图片的结果： ? try:
from PIL import Image
except ImportError:
import Image
import pytesseract
print(pytesseract.image_to_string(Image.open('input.png'))) 但是不能从第一个图像中读取文本。我已经展示了第一张图片和第二张图片的结果。我能在两个图像之间发现的唯一区别是包含整个
浏览 16提问于2019-02-14得票数 1
18回答
我需要解析一个包含表格数据的PDF文件。我使用来提取文件文本，以便稍后解析结果(字符串)。问题是，对于表格数据，文本提取不能像我预期的那样工作。例如，我有一个包含这样的表的文件(7列:前两列总是有数据，只有一列复杂度列有数据，只有一列财务列有数据)：
+----------------------------------------------------------------+
| AIH | Value | Complexity | Financing |
| | | Medium | High | Not appl
浏览 28提问于2010-07-08得票数 77
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
