python - 使用 Python 查找 PDF 的标题

Question

我有一个 PDF 文件，我想将它的标题提取到一个字符串中。我所说的标题不是元数据中的标题，而是文档中写入的实际标题。例如，来自 here我想获得“官方 SAT® 模拟考试 2014-15”

有什么办法可以做到这一点吗？

Answer 1

我会看一下 PDFMiner .本质上，您可以以编程方式加载 PDF。然后你需要做一些分析来弄清楚如何提取标题。也许您尝试使用 first until new line break 或某种算法方法。我建议在您知道标题的地方使用大量 PDF，然后针对它们运行您的程序来测试您是否成功检测到标题。然后您可以使用该代码来处理您不知道标题的 PDF。这种技术通常称为使用训练集。