作为数字化和数据挖掘项目的一部分，我正在尝试从PDF页面的表格中提取文本和数字数据。
要处理的PDF文档数量超过80,000，每个文档可能有4至80页，其中包含图像，文本，注释和几种类型的表格。我已经成功地使用PDFMiner来处理页面并从中收集最相关的数据，但是，在尝试了多种技术的许多星期之后，我未能从表中获取完美的数据。不幸的是，这些表有几种布局：它们的某些列是对齐的（对齐在单词之间添加了空格），某些单元格有很多行，整个表中的行距都不同，并且还有多列单元格。当应用于表处理时，字符页边距，行页边距和单词页边距的参数可为常见页面提供最佳性能，从而产生混乱的结果。幸运的是，有3/4的表具有垂直和水平线，可用于将其区域划分为多个单元格并查找每个单元格的坐标。但是，由pdfminer.pdfinterp.PDFPageInterpreter和pdfminer.converter.PDFPageAggregator带来的LTText实例通常不遵守每个单元格的边界。我花了很多天尝试各种技术，包括更改laparams以及字符串解释和拆分，以获取和使用由整个页面处理生成的LTText实例。 真正有用的方法是将解释器.process_cell（页面，xmin，ymin，xmax，ymax）替换为解释器.process_page（p）
我相信，如果有一些使用PDFMiner函数的方法和一些方法来获取封闭在单元格边界内的对象，并使用保守的参数以避免混乱的结果，则可能存在解决方案。理想的方法应该足够快，因为它必须被多次应用。在StackOverflow中搜索时，我发现了Extracting text from PDF page's certain areas?，这很相似，但是没有得到回答。我还发现了Extract area from pdf和Extract PDF text by coordinates，它们使用了其他库和技术。我不想混合使用不同的库及其对象来解决该问题，因为PDFMiner在恢复表以外的所有信息方面确实非常有效。有人有建议吗？
答案 0 :(得分：0)
首先，将pdf转换为图像。
第二，获取灰度并对该图像进行阈值处理。
最后，应用Tesseract，您将在PDF中获得所有文本和数字（而不是数字）。
在这里，只需点击以下链接：https://www.pyimagesearch.com/2017/07/10/using-tesseract-ocr-python/