从PDF中读取文本时，如何在Python3中识别？我想知道Python3＆＃39;＆＃39;所以我可以告诉它要查找哪些信息，保留等等。
我的最终目标是阅读PDF，从阅读信息中查找某些文本，并创建一个只包含符合条件的信息行的新文档。作为一个粗略的例子（在伪代码中）：
- 如果第4列有一个＆＃39; x＆＃39;在其中，将ROW复制到单独的文件中（如果它不包含＆＃39; x，则跳过），继续直到PDF结束。
- 阅读新文档，如果第1列有＆＃39; n＆＃39;，请保留行，否则将其删除。
我知道这不是最理想的做法，我打算稍后修复这部分。
答案 0 :(得分：-1)
从一般意义上讲，这非常非常困难。 PDF格式允许＆＃34;绘画＆＃34;个人单词或字母，任何顺序，页面上的任何地方。
这意味着你所看到的＆＃34;段落＃34;可能存在也可能不存在于PDF文件中的任何连续意义上。 PDF阅读器（Acrobat等）只是将每个单词/字母放置在一个段落中。
因此，您可以渲染页面，然后逐个像素查看以确定文本的排列方式。 （这就是为什么如果你尝试简单的剪切和粘贴PDF，有时它会混乱。）
好消息是，您通常会获得不错的订购（PDF渲染器不会故意混淆文本。）现在这些工具就像pdfminer一样。
类似于表：您将它们视为表格，PDF将它们视为具有相同水平偏移但具有不同垂直偏移的一系列单元格（并且不一定在文件中的顺序相同。）
正如其他人所建议的那样，请查看pdfminer，阅读PDF规范，调查您的 PDF文件的格式。