如何从pdf中提取特定标题下的文本？

Posted 2023-02-15

【中文标题】如何从pdf中提取特定标题下的文本？

【英文标题】：How to extract text under specific headings from a pdf?

【发布时间】：2018-06-14 21:53:44

【问题描述】：

我想使用 python 从 pdf 中提取特定标题下的文本。

例如，我有一个带有标题简介、摘要、内容的 pdf。我只需要提取标题“摘要”下的文本。

我该怎么做？

【问题讨论】：

因为我不喜欢用 python 处理 PDF，所以我无法给出答案；不过，对 PDF 有所了解，让我暗示一些困难：您的示例文件有两个文本列。但是，这不一定反映在内部 PDF 内容中。根据文档本身，很可能有解决该任务的方法；但是，要提供匹配的解决方案，最好提供有问题的 PDF。否则，人们可能会提出适用于类似文档但不适用于您的文档的解决方案。或者不提供解决方案，因为他们无法测试它是否匹配。

@Midhun 打开赏金可能是一个好主意，但即便如此，OP 的合作也需要，并且 Alfiya 没有在 Ankit 的回答下回复 usr2564301 的评论是否使用该评论中的提示答案是否解决问题。

你找到解决方案了吗？

@user2999110 嘿，我能理解，正则表达式是唯一的解决方案。但是对于标题格式不可预测的 pdf，我找不到任何解决方案。在这种情况下，正则表达式将不起作用

【参考方案1】：

我发现使用正则表达式的最佳方法

regex = r"^\d+(?:\.\d+)* .*(?:\r?\n(?!\d+(?:\.\d+)* ).*)*"
print(re.findall(regex,samplestring, re.M))

【参考方案2】：

Pdf 是非结构化文本，因此没有标签可以直接提取数据。因此，我们使用正则表达式从文本语料库中找到所需的信息。 使用以下代码提取原始页面文本。

import fitz
page = pdf_file.loadPage(0) # 0 represents the page number... upto n-1 pages...
dl = page.getDisplayList()
tp = dl.getTextPage()
tp_text=tp.extractText()
re.split('\n\d+.+[ \t][a-zA-Z].+\n',tp_text)

然后根据您的需要应用正则表达式...（这为我重新工作，但您可能需要也可能不需要更改它）

我正在给出一个详细的例子，这是如何工作的

re.findall('\n\d+.+[ \t][a-zA-Z].+\n',"some text\n1. heading 1\nparagraph 1\n1.2.3 Heading 2\nparapgraph 2")

输出：['\n1.标题 1\n', '\n1.2.3 标题 2\n']

您可以使用re.split 来拆分每个标题的文本并检索您想要的标题文本。

re.split('\n\d+.+[ \t][a-zA-Z].+\n',"some text\n1. heading 1\nparagraph 1\n1.2.3 Heading 2\nparapgraph 2")

输出：['some text', 'paragraph 1', 'parapgraph 2']

仅第 i 个标题将有 (i+1) 个标题文本。

【参考方案3】：

这个场景正是我在我现在的公司中所做的。我们需要提取标题下的文本。我个人使用的是基于规则的系统，即在逐行阅读整个文档后使用正则表达式来识别所有编号的标题。获得标题后，我输入要为其查找相应段落的标题名称。此输入与预先存在的标题列表匹配，并使用通用句子编码器找到最接近的匹配项。之后，我只显示从该标题到下一个标题的所有内容。

【讨论】：

能否请您添加代码 sn-ps 并解释其步骤以便更好地理解？