PDFMiner-获取文本行

Question

我正在使用PDFMiner Python库，使用这个SO答案中提供的代码片段，将PDF文件转换为文本。问题是PDF是三列格式的，我需要阅读每一行。然而，我得到的文本是无序的：有时混合第一列和第二列，有时混合第三列。。。由于文本没有遵循任何逻辑顺序，我无法解析每一行。那么，有什么方法可以使用PDFMiner获取PDF文件的每一行吗？

编辑：

PDFMiner附带了一个命令行工具pdf2txt.py，用于将PDF转换为文本。使用它并将0.05设置为单词边距，我可以获得格式更好的文本，但无法达到目的。

Answer 1

我在解析表*时也有类似的情况。对我有效的是排除HTML。然后，您可以解析HTML表并将表标记考虑在内（请参阅HTMLParser的python文档）。

我的两美分：）

*将单词中的表格复制到QT TextEdit小部件中。小部件接受富文本，但如果将表导出为文本，则会将其搞砸。导出为HTML，解析HTML，获取数据：）这是在工作中完成的，这里没有代码。

Answer 2

在处理类似的问题时，我偶然发现了这个问题的某种解决方案。您可以按如下方式设置extract_text的LAParams：

from pdfminer.layout import LAParams
laparams = LAParams(boxes_flow=None)

然后通过使用extract_text的地方：

text = extract_text(filename, laparams= laparams)

通过这种方式，我得到的文本更能代表实际PDF页面的水平和垂直布局。