PDF 문서에서 텍스트를 추출 할 수있는 PDF 라이브러리를 찾고 있습니다. 필자는 PyPDF를 살펴 봤는데 이것은 PDF 문서에서 텍스트를 아주 멋지게 추출 할 수 있습니다. 이 문제는 문서에 표가있는 경우 표의 텍스트가 나머지 문서 텍스트와 함께 인라인으로 추출된다는 것입니다. 유용하지 않고 왜곡되어 보이는 텍스트 섹션이 생성되기 때문에 문제가 될 수 있습니다.
표 및 특수 서식을 제외하고 PDF 문서에서 텍스트를 추출하고 싶습니다 . 이 작업을 수행하는 도서관이 있습니까?
답변:
PDFMiner를 살펴볼 수도 있습니다 (또는 이전 버전의 Python은 PDFMiner 및 PDFMiner 참조 ).
PDFMiner의 특별한 기능은 텍스트 부분을 추출 할 때 다시 그룹화하는 방법을 제어 할 수 있다는 것입니다. 줄, 단어, 문자 등 사이의 공백을 지정하여이를 수행합니다. 따라서이를 조정하여 원하는 것을 얻을 수 있습니다 (문서의 가변성에 따라 다름). PDFMiner는 또한 페이지에서 텍스트의 위치를 제공 할 수 있으며 개체 ID 및 기타 항목으로 데이터를 추출 할 수 있습니다. PDFMiner를 파헤 치고 창의력을 발휘하십시오!
그러나 PDF에서 텍스트는 연속적이지 않고 페이지에 절대적으로 배치 된 많은 작은 문자 그룹으로 만들어지기 때문에 문제를 해결하기가 쉽지 않습니다. PDF의 초점은 레이아웃을 그대로 유지하는 것입니다. 콘텐츠 지향적이지 않고 프레젠테이션 지향적입니다.
시각적으로 유사한 PDF는 제작 방법에 따라 구조가 크게 다를 수 있으므로 해결하기 어려운 문제입니다. 최악의 경우 라이브러리는 기본적으로 OCR처럼 작동해야합니다. 반면에 PDF에는 테이블과 그림을 쉽게 제거 할 수있는 충분한 구조와 메타 데이터가 포함될 수 있으며,이를 활용하도록 라이브러리를 조정할 수 있습니다.
다양한 PDF에 대한 문제를 해결하는 오픈 소스 도구가 없다고 확신하지만, 사용자가 요청한 작업을 정확히 수행한다고 주장하는 상용 소프트웨어에 대해 들어 본 적이 있습니다. 인터넷 검색을하는 동안 그들과 마주 치게 될 것이라고 확신합니다.