python - 是否可以在 Python 中提取带有空格的 pdf？

Question

在创建了一个使用 java 和 pdfbox 提取它的工具后，我一直试图用 Python 提取 pdf。

虽然 Java 实现对于同一个 pdf 是成功的，但我一直在努力在 python 中做同样的事情，因为 pdfminer 和 pypdf 和 pypdf2 无法逐行提取带有空格的 pdf。特别是，pdfminer pdf2txt 出于某种奇怪的原因将 pdf 分成 3 列，然后逐行读取。

我得到的最接近的是使用 a stack overflow question 的实现不幸的是，它没有保留空格。鉴于我有两个都有数字的变量，我无法以文本形式恢复它们。

鉴于此，是否可以在 Python 中逐行提取带有空格的 pdf？

Answer 1

在我的情况下，以下工作:

from pdf2image import convert_from_path
import pytesseract

images = convert_from_path("sample.pdf")
for i,image in enumerate(images,start=1):
    image.save(f"./images/page_{i}.jpg","JPEG")

print(pytesseract.image_to_string("./images/page_1.jpg"))

这里的想法是首先将 PDF 转换为图像，然后从中读取文本。这种方法保留了空白。
依赖:

conda install -c conda-forge tesseract

conda 安装 pdf2image

conda 安装 pytesseract