识别并提取PDF文档的特定部分

Question

我有几种PDF格式的考试。我想以编程方式将每个问题提取为单独的图像/文档。 OCR并不理想，因为它不能很好地保持代码/等式格式。最终目标是制作闪存卡，每张卡包含整个问题的图像。问题可以在同一页面上，也可以是多部分的（例如1a，2f等）。

目前，我正在考虑使用OCR提取问题标签（例如1,2,3等），然后在pdf中找到它们的位置，并从一个问题的开头到下一个问题的开头提取一个iamge 。是否有任何框架或软件可以做到这一点或提供某种替代方法，使这更容易？

Answer 1

Science-Parse查看Allen AI。它在从PDF文档中提取元数据方面做得相当不错。通常，它比其他文本提取软件更好，例如textract和pdfplumber。

从PDF中精确提取数学公式已成为多年来的研究课题。我没有找到任何与提取数学公式有关的开源项目/软件包/软件，尽管有很多研究论文描述了这样做的方法，例如this和{{ 3}}。 （已经对识别的数学公式或将它们转换为适当的标记（如LaTeX，MathML等）进行了更多的研究。这些论文中的大多数都使用有关字体，基线，字形边界框的信息，行间距等，以正确识别数学公式并提取它们。

对于OCR，您始终可以使用this。这就是InftyReader的描述：

  

InftyReader识别打印的科学文档的扫描图像   包括数学公式，输出各种识别结果   格式：InftyEditor，LaTeX，MathML，Human-Readable TeX的XML格式   盲人等等。