PDF 문서에서 텍스트를 추출 할 수있는 PDF 라이브러리를 찾고 있습니다. 필자는 PyPDF를 살펴 봤는데, PDF 문서에서 텍스트를 아주 잘 추출 할 수 있습니다. 이 문제는 문서에 테이블이있는 경우 테이블의 텍스트가 나머지 문서 텍스트와 함께 인라인으로 추출된다는 것입니다. 이것은 유용하지 않고 문자가 깨지기 쉬운 텍스트 섹션을 생성하기 때문에 문제가 될 수 있습니다 (예 : 많은 숫자가 서로 섞여 있음).고급 PDF 구문 분석 (테이블이없는 텍스트 추출 등) : 최고의 라이브러리는 무엇입니까?
나는 조금 더 진보 된 것을 찾고 있습니다. PDF 문서에서 텍스트를 추출하려면 표 및 특수 서식을 제외하십시오. 거기에 도서관이 있나요? 아니면 이러한 섹션을 없애기 위해 출력 텍스트의 일부 후 처리를해야합니까?
파이썬에서 다른 PDF 파서 인 PDFMiner을 살펴볼 수도 있습니다.
당신이 흥미를 가질 수있는 PDFMiner의 특징은 추출 할 때 텍스트 부분을 재 그룹화하는 방법을 제어 할 수 있다는 것입니다. 선, 단어, 문자 등의 간격을 지정하여이 작업을 수행 할 수 있습니다. 이렇게하면 두 개를 조합하여 원하는 내용 (문서의 다양성에 따라 다름)을 얻을 수 있습니다. PDFMiner는 페이지에있는 텍스트의 위치를 알려주고, 객체 ID와 다른 것들로 데이터를 추출 할 수 있습니다. 따라서 PDFMiner를 파고 창조하십시오!
하지만 PDF에서 텍스트가 연속적이지는 않지만 페이지에 절대적으로 배치 된 많은 작은 문자 그룹으로 인해 문제를 푸는 것은 쉽지 않습니다. PDF의 초점은 레이아웃을 손상되지 않게 유지하는 것입니다. 그것은 콘텐츠 지향적이 아니고 프리젠 테이션 지향적입니다.
시각적으로 비슷한 PDF는 제작 방법에 따라 크게 다른 구조를 가질 수 있기 때문에 해결이 어려운 문제입니다. 최악의 경우 도서관은 기본적으로 OCR처럼 행동해야합니다. 반면에 PDF에는 표 및 그림을 쉽게 제거 할 수있는 충분한 구조 및 메타 데이터가 포함될 수 있으며이를 활용하여 라이브러리를 활용할 수 있습니다.
PDF의 다양한 문제를 해결할 수있는 오픈 소스 도구가 없다는 것을 확신합니다. 그러나 여러분이 요구하는 것을 정확하게 수행한다고 주장하는 상용 소프트웨어에 대해 들어 보았습니다. 인터넷 검색을하는 동안 당신이 그들과 마주 치게 될 것이라고 확신합니다.
PDFMiner가 재미있어합니다. 필자는 XML 출력을 사용하여 파싱하여 원하지 않는 것을 무시할 수 있습니다. 여전히 상당한 후 처리가 필요하지만 지금은 아마도 최상의 솔루션 일 것입니다. 고맙습니다. –
@Etienne, PDF에도 다른 언어 문자가있는 경우이 기능을 사용할 수 있습니까? –
다른 언어 문자와도 작동해야합니다. 문서 작성자 : CJK 언어 및 세로 쓰기 스크립트가 지원됩니다. 가장 좋은 방법은 그것을 테스트하십시오! – Etienne