我在PDF的单词后面都有数学指数(如脚注,但在单词之前)。我想提取它们而不必使用XML。到目前为止,我正在使用PDFminer,它可以很好地呈现文本,但指数呈现为普通数。但是,拥有这个指数对我来说至关重要。
我正在使用的代码是:
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage
from io import StringIO
import re
def convert_pdf_to_txt(path):
rsrcmgr = PDFResourceManager()
retstr = StringIO()
codec = 'utf-8'
laparams = LAParams()
device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
fp = open(path, 'rb')
interpreter = PDFPageInterpreter(rsrcmgr, device)
password = ""
maxpages = 0
caching = True
pagenos=set()
for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,caching=caching, check_extractable=True):
interpreter.process_page(page)
global text
text = retstr.getvalue()
#return text
fp.close()
device.close()
retstr.close()
#print(convert_pdf_to_txt('fel_split.pdf'))
或者我也不知道有一种方法可以提取顶点,或者我必须通过库将它们从pdf转换为Python,而不是仅仅转换为数字。我不知道该怎么办。