即使在裁剪pdf文件后，整页内容仍然存在

Question

我在pypdf2的帮助下裁剪了一个pdf文件但是当我尝试从裁剪的pdf文件中提取文本时，我得到了整个pdf页面的文本。我该如何解决？

裁剪pdf文件后看起来像是

但是当我运行命令pdftotext out8.pdf out.txt

时

我明白了：

内容 介绍 第一部分。两个系统

1. 故事的人物

2. 注意力和努力

3. 懒人控制器

4. 联合机器

5. 认知缓解
6. 规范，惊喜和原因
7. 跳到结论的机器
8. 判断如何发生
9. 回答一个更容易的问题 第二部分。启发式和偏见
10. 小数定律 ＆LT; 5个
11. 锚
12. 可用性科学
13. 可用性，情感和风险
14. Tom W's Specialty

输出应该只是

1. 故事的人物

我跑的代码

from PyPDF2 import PdfFileWriter, PdfFileReader
input1 = PdfFileReader(open("./data/in2.pdf", "rb"))
output = PdfFileWriter()

page = input1.getPage(1)
x = page.mediaBox.getUpperRight_x()
y = page.mediaBox.getUpperRight_y()

page.cropBox.lowerRight = (0,331-150)
page.cropBox.upperRight = (252,331)
output.addPage(page)

outputStream = open("out8.pdf", "wb")
output.write(outputStream)
outputStream.close()

Answer 1

听起来它是从文本图层中提取文本。 PDF可以有多个图层 - 如果它纯粹是图像PDF，那么它将只有图像层，但许多图像层具有文本图层。文本图层可位于图像前方，图像后方或不可见。

除非以特殊方式准备PDF，否则文本图层不会与图像中显示的文本对齐。如果您有多页PDF，则文本可能会被拆分为相关页面，但不会在页面中排列。

裁剪图像时，这不会影响文本图层。当您提取文本时，它会从完整的文本层中抓取它。

为了获得裁剪部分的文本，您需要通过OCR引擎（例如Tesseract）处理它。与Tesseract交互的python包示例：pytesseract和tesserocr。

有关如何设置和运行处理的一些指南：

ocr-on-pdf-files-using-python
ocr-python-easy