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

Question

我想要pdf中具有确切格式和布局的文本。
如果pdf到文本不是直接选择，是否可以做pdf -> xml ->文本？
我已经尝试过PyPDF2，pdfminer和pdftotxt。即使我尝试使用AWS提取，但布局不正确。
基本上，如果我能从从pdf中提取的文本中构建句子，那就足够了。
我使用了Zamzar API，它提供了精确的输出，但它们非常昂贵。 有什么可能的解决方案吗？

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。这应该包含 PDF 的布局。将PDF转换为CSV作为CSV文件只是一个逗号分隔的文本文件。

如果你想保留字体、颜色等，Zamzar API可能是你最好的选择。