PDF矿工-提取字体大小

Question

我很好奇是否可以使用pdfminer提取字体大小。我认为这将有助于区分不同的部分。我知道下面有讨论，但我很好奇是否可以使用pdfminer

根据格式(字体大小，类型等)从PDF中提取文本

pdfminer文档说这是可能的http://www.unixuser.org/~euske/python/pdfminer/

但是当我在命令行中输入以下内容时，我只得到一个纯文本文档。我没有看到任何字体信息。

pdf2txt.py -o output.html samples/CentolaCV.pdf

如…

2008-13  Assistant Professor, Sloan School of Management, M.I.T.  
2006-08   Robert Wood Johnson Scholar in Health Policy, Harvard University 
2001-02   Visiting Scholar, The Brookings Institution

Answer 1

这个任务让我困惑了很长时间。除了提取字体信息，我还想在python脚本中运行这段代码。

然而，今天我能够解决它。下面我编写了一个脚本，从命令行调用pdf2txt.py脚本，然后从解析后的PDF和新创建的html文件中提取字体信息。

import os
pathToScript = r'pathtoscriptpdf2txt.py'
pathPDFinput = os.path.join(pathtofile, 'test.pdf')
pathHTMLoutput = os.path.join(pathtofile, 'test.html')
# call the pdf2txt.py from the command line
os.system('python {} -o {} -S {} -t html'.format(pathToScript, pathHTMLoutput, pathPDFinput))
  

提取每个html标签的font-size:

# credits to akash karothiya: 
# https://stackoverflow.com/questions/39012739/need-to-extract-all-the-font-sizes-and-the-text-using-beautifulsoup/39015419#39015419
import re
import pandas as pd
from bs4 import BeautifulSoup
# open the html file
html = open(pathHTMLoutput, 'r')
soup = BeautifulSoup(html)
font_spans = [data for data in soup.select('span') if 'font-size' in str(data)]
output = []
for span in font_spans:
    fonts_size = re.search(r'(?is)(font-size:)(.*?)(px)', str(span.get('style'))).group(2)
    fonts_family = re.search(r'(?is)(font-family:)(.*?)(;)', str(span.get('style'))).group(2)
    # split fonts_family into fonts-type and fonts-style
    try:
        fonts_type = fonts_family.strip().split(',')[0]
        fonts_style = fonts_family.strip().split(',')[1]
    except IndexError:
        fonts_type = fonts_family.strip()
        fonts_style = None
    output.append(
        (str(i.text).strip(), fonts_size.strip(), fonts_type, fonts_style)
    )
# create dataframe
df = pd.DataFrame(output, columns = ['text', 'fonts-size', 'fonts-type', 'fonts-style'])

Answer 2

尝试使用-t标志指定文件输出类型:

pdf2txt.py -o output.html -t html samples/CentolaCV.pdf

应该返回一个样式属性为font-family和font-size的html文件。

EDIT:实际上，看起来输出结尾可以指定没有-t标志的输出文件类型。您可以链接到您试图从中提取字体样式的pdf文件吗?