在不更改布局和格式的情况下，从python中的pdf提取文本的最佳方法是什么？

Question

我想要pdf格式和布局准确的文本。
如果不是直接将pdf转换为文本，是否可以执行pdf-> xml->文本？
我已经尝试过PyPDF2，pdfminer和pdftotxt。甚至我尝试使用AWS textract并获得错误的布局。
基本上，如果我可以从pdf提取的文本中构造句子，就足够了。
我使用了Zamzar API，该API可以提供准确的输出，但它们的价格昂贵。 有什么解决办法吗？

Answer 1

如果您希望保留PDF的结构，但不保留字体，颜色，大小等，请尝试pdftables_api库。这应该保留您的PDF的布局。将CSV文件转换为CSV只是一个逗号分隔的文本文件。

如果您希望保留字体，颜色等，Zamzar API可能是您的最佳选择。