pdf-scraping相关内容

用于将 PDF 转换为文本的 Python 模块

是否有任何python模块可以将PDF文件转换为文本?我尝试了 一段代码在使用 pypdf 的 Activestate 中找到，但生成的文本之间没有空格并没有用. 解决方案 尝试 PDFMiner.它可以从 PDF 文件中提取 HTML、SGML 或“标记 PDF"格式的文本. Tagged PDF 格式似乎是最干净的，去掉 XML 标签只留下裸文本. Python 3 版本位 ..
发布时间：2021-12-14 15:03:36 Python

使用 R 识别 PDF 表格

我正在尝试从一些 pdf 报告中的表格中提取数据. 我已经看到一些使用 pdftools 和类似软件包的示例，我成功获取了文本，但是，我只想提取表格. 有没有办法使用 R 来识别和提取表格? 解决方案 好问题，我最近也在想同样的事情，谢谢！ 我做到了，使用 tabulizer ‘0.2.2’ 正如 @hrbrmstr 所建议的那样.如果您使用 R >3.5.x，我提供以下 ..
发布时间：2021-09-06 19:40:06 其他开发

如何使用pdfminer3k读取pdf文件?

我正在使用 python 3.5，我想从 pdf 文件中逐行读取文本.试图使用 pdfminer3k 但没有在任何地方获得正确的语法.如何正确使用? 解决方案 我已更正 Lisa 的代码.现在可以使用了！ fp = open(path, 'rb')从 pdfminer.pdfparser 导入 PDFParser, PDFDocument从 pdfminer.pdfinterp 导入 ..
发布时间：2021-06-26 20:46:39 其他开发

我想用 python 抓取印地语(印度语)pdf 文件

我已经编写了从 PDF 文件中抓取所有数据的 Python 代码.这里的问题是，一旦被刮掉，单词就会失去语法.如何解决这些问题?我附上了代码. from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter从 pdfminer.converter 导入 TextConverter从 pdfminer.layout 导入 ..
发布时间：2021-06-12 18:35:14 Python

以编程方式替换PDF中的文本

我有PDF文件，其中的文字应替换.更具体地说，应翻译文本并用翻译后的版本替换. 重要的是，其余的PDF结构保持完整.请注意，该文本在PDF中可用，并且不需要OCr之类的技术.另外，保留字体和其他文本属性也很好. 您建议使用哪个库将文本提取为易于编辑的格式(例如CSV)，然后重新放回新文本? 解决方案 假定您要用其他语言替换文本，则在大多数情况下，您将不得不选择其他字体，并且字体选择并 ..
发布时间：2020-05-25 04:28:40 其他开发

使用C#或经典ASP(VBScript)从PDF提取文本的好方法是什么?

是否有一个很好的库可用于从PDF中提取文本?如果需要的话，我愿意为此付费. 适用于C#或经典ASP(VBScript)的东西是理想的，而且我还需要能够将页面与PDF分开. 这个问题有一些有趣的东西，尤其是 pdftotext ，但我想避免调用外部命令行应用程序. 解决方案 您可以使用Windows内置的IFilter接口从任何受支持的文件类型提取文本和属性(作者，标题等).这是 ..
发布时间：2020-05-25 04:11:15 其他开发

使用python处理pdf表

我正在处理pdf文件.该pdf中有许多表格. 根据pdf中提供的表格名称，我想使用python从该表格中获取数据. 我曾经从事过html，xlm解析，但从未使用过pdf. 谁能告诉我如何使用python从pdf中获取表格? 解决方案 我最近遇到了类似的问题，并编写了一个库来帮助解决该问题: pdfquery . PDFQuery通过PDF创建一个元素树(使用pdfminer ..
发布时间：2020-05-25 03:56:01 Python

从PDF python提取/识别表

是否有任何支持表识别和分析的开放源代码库?提取? 我的意思是: 确定表结构存在 根据内容对表格进行分类 以有用的输出格式从表中提取数据，例如JSON/CSV等 我仔细研究了与此主题相关的类似问题，并发现了以下内容: PDFMiner 解决了问题3，但似乎用户需要向PDFMiner指定存在表结构的位置每张桌子(如果我输入错了，请纠正我) pdf-table-extrac ..
发布时间：2020-05-25 03:52:10 Python

用于将PDF转换为文本的Python模块

是否有任何python模块可将PDF文件转换为文本?我尝试了在Activestate中找到的一段代码，该代码使用pypdf，但生成的文本没有空格之间，没有任何用处. 解决方案 尝试 PDFMiner .它可以从PDF文件中以HTML，SGML或"Tagged PDF"格式提取文本. 标记的PDF格式似乎是最干净的，而去掉XML标签只会留下纯文本. 可在以下位置找到Python ..
发布时间：2020-05-25 03:44:41 Python

刮除跨多个页面的大型pdf表

我正尝试抓取跨多页的PDF表.我尝试了很多事情，但最好的方法似乎是pdftotext -layout，这是在这里建议的.问题在于，结果文本文件不易于使用，因为表布局在页面之间有所不同，因此列未对齐.还要注意以“Solsonès"开头的行中缺少值: T ..
发布时间：2020-05-12 21:02:20 其他开发

将数据从PDF文件读入R

那甚至有可能！?！ 我有一堆需要导入数据库的旧式报告.但是，它们都是pdf格式.是否有任何可以读取pdf的R软件包?还是应该将其留给命令行工具? 报告是用excel制作的，然后以pdf格式打印，因此它们具有规则的结构，但是有许多空白的“单元格". 解决方案 对可能希望提取数据的其他人只是一个警告:PDF是一种容器，而不是一种格式.如果原始文档不包含实际文本，而不是文本的位图图像 ..
发布时间：2020-05-01 10:39:49 服务器开发

iTextSharp PDF使用C＃读取高亮度文本（突出显示注释）

我正在开发一个C＃winform应用程序，它将pdf内容转换为文本。除了在pdf的突出显示文本中找到的内容之外，提取所有必需的内容。 请帮助获取工作样本以提取pdf中的突出显示文本。 我在项目中使用iTextSharp.dll 解决方案 假设你在谈论评论。请试试这个： for（int i = pageFrom; i ..
发布时间：2018-11-16 16:43:34 其他开发