python - PDFMiner - 获取文本行

Question

我正在使用 PDFMiner Python library 将 PDF 文件转换为文本，使用 this SO answer 中提供的代码片段.问题是 PDF 是三列格式的，我需要阅读每一行。但是，我得到的文本是无序的:有时混合第一列和第二列，有时混合第三列......由于文本不遵循任何逻辑顺序，我无法解析每一行。那么，有没有办法使用 PDFMiner 获取 PDF 文件的每一行？

编辑:

PDFMiner 自带一个命令行工具，pdf2txt.py , 将 PDF 转换为文本。使用它并将 0.05 设置为字边距，我可以获得更好的格式化文本，但无法实现目标。

Answer 1

我在解析表时也有类似的情况*。对我有用的是提取 HTML。然后您可以解析 HTML 表格并考虑表格标签(请参阅 HTMLParser 的 python 文档。)不过，我只能找到表格。

我的两分钱:)

*从 word 复制到 QT TextEdit 小部件中的表格。 Widget 接受富文本，但如果导出为文本，表格将被弄乱。导出为 HTML，解析 HTML，获取数据 :) 这是在工作中完成的，这里没有代码。