Question

确定，

如何对元素树文本进行排序？目标是pdf到包含行和列的数据框架。听起来很容易。我知道市场上有转换器。

我使用pdfminer3k将麻烦的pdf转换为xml，因为xml具有pdf上每个字符的起始和结束网格坐标。我最初的想法是将所有坐标与标题起点和终点坐标进行比较，以便识别正确的文本框边界。由于带有文本选项的pdfminer3k有时会解析每一行，有时会以不同的顺序解析每个列，而不会看到任何模式。我已经尝试配置字间距，边距，行间距和段落间距的选项无济于事。 xml示例：

<?xml version="1.0" encoding="utf-8" ?>
<pages>
<page id="1" bbox="0.000,0.000,792.000,612.000" rotate="0">
<textbox id="0" bbox="321.290,593.640,473.325,604.680">
<textline bbox="321.290,593.640,473.325,604.680">
<text font="ABCDEE+Tahoma-Bold" bbox="321.290,594.214,328.534,604.478" 
size="10.264">B</text>
<text font="ABCDEE+Tahoma-Bold" bbox="328.492,594.214,335.250,604.478" 
size="10.264">u</text>
<text font="ABCDEE+Tahoma-Bold" bbox="335.208,594.214,341.850,604.478" 
size="10.264">d</text>
<text font="ABCDEE+Tahoma-Bold" bbox="341.808,594.214,348.450,604.478" 
size="10.264">g</text>
<text font="ABCDEE+Tahoma-Bold" bbox="348.408,594.214,354.681,604.478" 
size="10.264">e</text>
<text font="ABCDEE+Tahoma-Bold" bbox="354.649,594.214,359.042,604.478" 
size="10.264">t</text>
<text font="ABCDEE+Tahoma-Bold" bbox="359.074,594.214,362.168,604.478" 
size="10.264"> </text>

目标是在嵌套字典中使用相应的atrribute重新创建单词Budget，并为整个文件执行此操作，转换为数据框并制作一些图表。

Pdfminer xml生成器创建层次结构页面 - ＆gt; page-＆gt; textbox-＆gt; textline-＆gt;文本作为元素类型。

当我使用生成器迭代页面并深入到文本行元素时，我使用理解来获取文本行内容，但是，它们将被返回未分类。

def iter_docs(page):
    page_attr = page.attrib
    for tl in page.iter('textline'):
        tl_dict = page_attr.copy()
        tl_dict.update(tl.attrib)
        unsorted_list = {tlc.text for tlc in tl if type(tlc) is Element}
        #print(unsorted_list)
        #sorted_list = sorted(unsorted_list.items(), 
        #operator.itemgetter(str))

        #tl_dict['text'] = sorted_list
         tl_dict['text'] = {''.join(l) for l in tl.itertext()}

        yield tl_dict

def iter_pages(etree):
    for page in etree.iter('page'):
        for row in iter_docs(page):
            yield row

这是从main ....

调用的

etree = ET.parse(fname)
holder = iter_pages(etree.getroot())
doc_df = pd.DataFrame(list(holder))

    #all_text_lines = etree.findall('//text')
    #print (all_text_lines)
    #text_df = pd.DataFrame(iter_p(all_text_lines))
print (doc_df)

从数据框中给出......

文本
0 {e，b，P，E，d，i，y，c，\ n，u，g，B，o，j，...

应阅读预算执行

从pdfminer3k生成的元素树文本生成xml

0 个答案: