问用Python提取PDF文件的文本和表

EN

我正在寻找一个从PDF文件中提取文本和表格的解决方案。虽然有些包适合提取文本，但它们不足以提取表。

• 一种解决方案是使用Azure表单识别器布局模型，但是当我们有文本和表的混合时，它就失败了，特别是当表是某种文本格式并且它们将表和文本的内容混合在一起时(请参见Azure Form Recognizer代码https://github.com/Azure-Samples/cognitive-services-quickstart-code/blob/master/python/FormRecognizer/rest/python-train-extract.md)。
• 我也尝试过pypdf2和pdfplumber；下面是pypdf2的代码： 导入PyPDF2 data_path =“os.listdir/to/pdf/files”text = [] for fp in os.listdir(data_path)：pdfFileObj = open(os.path.join(data_path，fp)，'rb')打印(PdfFileObj)# pdfreader=PyPDF2.PdfFileReader(pdfFileObj) # count=pdfreader.numPages # text =“for i in range(count)：page = pdfreader.getPage(i) text += page.extractText() texts.extend”(文本)
• 首先，对于一些pdf文件，pypdf2工作正常，但是它失败了，并且没有为一些pdfs (来自分析的pdf文件)保留单词之间的空格：

​

​

• 第二，如果页面中存在表，我如何提取表？pdfplumber可以使用extract_text()和extract_table()注释同时提取文本和表。它未能为某些文档保留单词之间的空格。它也失败了，当我们有经验的双列pdf文件。
• Tabula是另一种选择，但我从他们的网站https://github.com/tabulapdf/tabula上看到，它很适合使用表格。我的最后一个问题是，从给定的单列或双列页的pdf文件中提取内容、文本和表格的最佳做法是什么。