Question

我必须将PDF页面中的文本从缩进中提取到CSV文件中。

PDF教科书的索引页面：

我应该将文本拆分为类和子类类型层次结构以及页码。例如，在图像中， 应用程序服务器 是该类， Apache Tomcat 是页码 275

这是CSV的预期输出：

我使用过Tika解析器来解析PDF，但是在解析的内容中没有正确维护缩进（不是唯一的），以便将文本拆分为类和子类。

这是解析文本的样子：

有人能建议我采用这种方法的正确方法吗？

Answer 1

尽管我不了解pdf提取，但是可以从“已解析的文本”中重建层次结构，因为“子类”部分始终以额外的换行符开头和结尾。

带有以下测试文本：

Ftp.outboundGateway

以下代码：

AbstractRemoteFileOutboundGateway.Command.GET

产量：

app architect . 50
app logic . 357
app server . 275

tomcat . 275
websphere . 275
jboss . 164

architect

acceptance . 303
development path . 304

architecting . 48
architectural activity . 25, 320

希望这会有所帮助。

Answer 2

这是解决方案：

安装Fitz（PyMuPDF）https://github.com/rk700/PyMuPDF
使用Python 2.7在与PDF文件相同的文件夹中运行以下代码
比较结果

代码：

import fitz
import json
import re
import csv

class MyClass:
    def __init__(self, text, main_class):
        my_arr = re.split("[.]*", text)
        if main_class != my_arr[0].strip():
            main_class = my_arr[0].strip()
        self.main_class = main_class
        self.sub_class = my_arr[0].strip()
        try:
            self.page = my_arr[1].strip()
        except:
            self.page = ""

def add_line(text, is_recording, main_class):
    if(is_recording):
        obj = MyClass(text, main_class)
        if obj.sub_class == "Glossary":
            return False, main_class
        table.append(obj)
        return True, obj.main_class
    elif text == "Contents":
        return True, main_class
    return False, main_class

last_text = ""
is_recording = False
main_class = ""
table = []

doc = fitz.open("TCS_1.pdf")
page = doc.getPageText(2, output="json")
blocks = json.loads(page)["blocks"]
for block in blocks:
    if "lines" in block:
        for line in block["lines"]:
            line_text = ""
            for span in block["lines"]:
                line_text += span["spans"][0]["text"].encode("utf-8")
            if last_text != line_text:
                is_recording, main_class = add_line(line_text, is_recording, main_class)
                last_text = line_text

writer = csv.writer(open("output.csv", 'w'), delimiter=',', lineterminator='\n')
for my_class in table:
    writer.writerow([my_class.main_class, my_class.sub_class, my_class.page])
    # print(my_class.main_class, my_class.sub_class, my_class.page)

这是所提供文件的CSV输出：

使用Python解析PDF教科书中的索引页面

2 个答案: