从PDF获取树的文件（最好使用Python）

Question

我想制作一系列包含此PDF（http://mica.lif.univ-mrs.fr/d6.clean2-backup.pdf）中的树木的文件。文件名将是左侧的相应树编号（t0，t1等）。

我尝试使用python提取相关信息和树，但是遇到了麻烦。具体来说，当我尝试将树木提取为图像（使用https://nedbatchelder.com/blog/200712/extracting_jpgs_from_pdfs.html）时，没有树木出现（大概是因为树木的格式不正确）。但是，当我尝试将所有内容提取为文本时（如https://www.geeksforgeeks.org/working-with-pdf-files-in-python/），这些树会丢失所有格式（我认为是其中的一些信息）。我该如何从该PDF文件中获取所需的文件？可以用Python完成吗？还有另一种方法更容易吗？

或者，我从中获得PDF的网站（http://mica.lif.univ-mrs.fr/）具有其他形式的树（例如：t27 S ## 1＃l＃NP＃0＃2＃l＃s NP＃0＃ 2＃r＃s VP ## 3＃l＃V ## 4＃l＃h V ## 4＃r＃h NP＃1＃5＃l＃s NP＃1＃5＃r＃s VP ## 3 ＃r＃S ## 1＃r＃）。有没有办法将这种形式转换成树木形式的良好视觉效果？

无论采用哪种方法（如果有人有想法，都可以提供任何帮助），将不胜感激。谢谢！

Answer 1

如果查看PDF文件的元数据，您会发现它是TeX (LaTeX)创建的文件。我建议您从创建此文档的人那里获取原始LaTeX源文件（而不是PDF），而不是尝试对PDF中的图表进行OCR。

基本上，由于创建PDF的方式，实际上不可能（无需大量工作）将LaTeX PDF返回到文档中。您可以考虑尝试将PDF转换为文档，就像对软件进行逆向工程（就像其他Stack Overflow成员在此处提到的有关从PDF转换为LaTeX文档的线程中提到的那样）：{{3} }

有时，如果我要对PDF进行简单的光学字符识别（OCR），我会尝试将其上传到Google文档，以查看其OCR引擎如何从PDF文档提取文本。 GDocs OCR适用于以标准方式格式化的PDF，但是它往往会破坏表格，图表等内容。

如果您有兴趣将数学方程式的图片转换成LaTeX，则可以将其作为https://stackoverflow.com/a/1620020/10382707的一部分，作为OpenAI的一部分neat tool that some researchers at Harvard created进行检查。 它将数学方程式的图像转换为Call for Research。