如何使用 Pypdf2 从 PDF 中提取文本，不包括图表和表格中的文本内容

Question

我想从python中的PPT和PDF文件中提取文本内容。

虽然使用 PPTX 可以很好地提取文本，但使用 PyPDF2 可以从图表和表格中提取文本内容，并且在使用我不想要的 extract_text(( 时也从 PDF 中提取文本内容。

我尝试了不同的事情，但找不到实现这一目标的方法。有什么办法可以做到这一点吗？Pfb 相同的代码。

import ntpath 
import os 
import glob 
import PyPDF2 
import pandas as pd from pptx import Presentation
df_header=pd.DataFrame(columns=['Document_Name', 'Document_Type', 'Page_No', 'Text', 'Report Name'])
df_header.to_csv('Downloads\\FinalSample.csv', mode='a', header=True) 
for eachfile in glob.glob("D:\CP US People-Centric Hub (19-SCP-3063)\Reports\/*\\/*"):
file1 = eachfile.split("\")
report_name = file1[3]
if eachfile.endswith(".pptx"):
data=[]
prs = Presentation(eachfile)
for slide in prs.slides:
text_runs = ''
slide_num = prs.slides.index(slide) + 1
for shape in slide.shapes:
if not shape.has_text_frame:
continue
for paragraph in shape.text_frame.paragraphs:
text_runs = text_runs + ' ' + paragraph.text
data.append([ntpath.basename(eachfile), 'PPT', slide_num, text_runs,report_name])      
df_ppt=pd.DataFrame(data)
df_ppt.to_csv('Downloads\\FinalSample.csv', mode='a', header=False)  
elif eachfile.endswith(".pdf"):
data1=[]
pdfFileObj = open(eachfile, 'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
outlines = pdfReader.getOutlines()
for pageNum in range(pdfReader.numPages):
data1.append([ntpath.basename(eachfile), 'PDF', pageNum + 1,pdfReader.getPage(pageNum).extractText(),report_name])
df_pdf=pd.DataFrame(data1)
df_pdf.to_csv('Downloads\\FinalSample.csv', mode='a', header=False)
pdfFileObj.close()

Answer 1

不，抱歉：通常无法从PDF中提取正文文本并省略图形标题，脚注，页眉，页脚，页码等。这是因为"正文文本"并不是PDF格式中真正定义的概念。

但是，您可以深入研究库并添加一些针对图形标题的启发式方法，例如丢弃没有文本的大间隙的文本块，或者太短(但是标题呢？(，或者字体大小远小于平均值。