从Python的pdftotext模块中删除页眉和页脚
我使用pdftotext python包从pdf中提取文本，但是我需要从文本文件中删除标题和页脚，以只提取内容。
可以有两种解决方法:
- 在文本文件中使用正则表达式
- 在从pdf中获取文本时使用一些过滤器
现在的问题是页眉和页脚与页面不一致。
例如，头的前1-2行可能有一致的承包商地址，但标题的第3行有部分和页面所遵循的主题。类似地，页脚包括项目编号(也不是固定的数字值)、分段编号和一些设计单词，后面跟着一个应该是一致的日期(但每个项目的日期不同)。还应该注意的是，pdf文件可以是每个项目的500+页面，但是很可能会根据部分进行拆分。
目前，我正在使用这段代码提取信息。有什么参数我不知道哪些可以用来移除页眉和页脚？
import pdftotext
def get_data(pdf_path):
with open(pdf_path, "rb") as f:
pdf = pdftotext.PDF(f)
print("Pages : ",len(pdf))
with open('text-pdftotext.txt', 'w') as k:
k.write("\n\n".join(pdf))
f.close()
k.close()
get_data('specification_file.pdf')回答 3
Stack Overflow用户
发布于 2022-05-07 02:52:26
pdftotext最好按设计使用，即通过任何shell作为命令行使用。
因此，要删除分页符、页眉和页脚，请使用与设计运行的命令完全相同的命令。
pdftotext -nopgbrk -margint <number> -marginb <number> filename与xpdf 4.04，这将给你的身体文本，没有对线和底线。
如果使用Poppler变体，则需要使用
-x <int> : x-coordinate of the crop area top left corner
-y <int> : y-coordinate of the crop area top left corner
-W <int> : width of crop area in pixels (default is 0)
-H <int> : height of crop area in pixels (default is 0)Stack Overflow用户
发布于 2022-05-07 00:23:20
在转换自动生成的项目规划PDF时，我也遇到了同样的问题，我想在发送结果之前从文本中去掉分页符。
我所做的就是使用正则表达式来匹配所有编号的分页符，并写出输入中不匹配的部分。下面是我10分钟内拼凑在一起的一个小实用程序脚本的完整代码：
#!/usr/bin/env python
import sys
import re
import argparse
parser = argparse.ArgumentParser()
parser.add_argument("--infile", "-i", type=str, default=None,
help="input file (default: %(default)s).")
parser.add_argument("--outfile", "-o", type=str, default=None,
help="output file (default: %(default)s).")
parser.add_argument("--fmt", "-f", type=str, default="\d\n\n",
help="the footer search format (default: %(default)s).")
args = parser.parse_args()
try:
# open an input filr (use STDIN as default)
fin = sys.stdin
if args.infile:
fin = open(args.infile,'r')
# read in the entire file in one gulp, and close it.
fstr = fin.read()
fin.close()
# open up the output file (use STDIN as default)
fout = sys.stdout
if args.outfile:
fout = open(args.outfile,'w')
# spin through all the matches and
last = 0
for match in re.finditer(args.fmt, fstr, re.DOTALL):
start,end = match.span()
# write out everthing before the matched string since last match.
fout.write(fstr[last:start])
last = end
# write out remaining text at the end of the file and close.
fout.write(fstr[last:])
fout.close()
# simple exception handling for file not found, etc.
except Exception as er:
print(er)我确信，其他人可以建议这里清理的东西，内省文档，等等，但它对我来说是有用的。
请注意，为了简单起见，这个脚本将输入的文本文件读取为一个字符串。这可能不适合500页文件，但您可以重写读取器来处理块，但必须确保分页符不会发生在其中一个块边界上。除此之外，所提供的代码将使您接近。
Stack Overflow用户
发布于 2021-05-13 09:16:13
解决您的问题的一个方法是使用pdf2image模块将PDF作为图像处理，并使用pytesseract提取其中的文本。这样，您就可以用opencv裁剪页眉，结束页脚，只保留文件的核心。但是，它可能不是完美的方法，因为pdf2image方法convert_from_path可能需要相当长的时间才能运行。
如果你有兴趣的话，我会在这里删除一些代码。
首先，确保您安装了所有必要的约束，以及Tesseract和ImageMagik。您可以在网站上找到有关安装的任何信息。如果您正在使用windows，那么有一篇很好的中型文章这里。
使用pdf2image:将PDF转换为图像
如果您正在windows上工作，请不要忘记添加弹出程序路径。看起来应该像那个r'C:\<your_path>\poppler-21.02.0\Library\bin'
def pdftoimg(fic,output_folder, poppler_path):
# Store all the pages of the PDF in a variable
pages = convert_from_path(fic, dpi=500,output_folder=output_folder,thread_count=9, poppler_path=poppler_path)
image_counter = 0
# Iterate through all the pages stored above
for page in pages:
filename = "page_"+str(image_counter)+".jpg"
page.save(output_folder+filename, 'JPEG')
image_counter = image_counter + 1
for i in os.listdir(output_folder):
if i.endswith('.ppm'):
os.remove(output_folder+i)裁剪图像页脚和页眉：
我不知道您的脚和头的大小，但通过尝试裁剪您的图像多次，您应该能够找到正确的维度使用。然后，通过使用OpenCV裁剪方法new_head作为页眉下方y轴顶部像素的值，使用new_bottom作为页脚开始处y轴上的底部像素值，您可以对图像进行裁剪以保持PDF文档的主体。
def crop_img(fic, output_folder):
img = cv2.imread(fic)
shape = img.shape
crop_img = img[new_head:new_bottom, 0:shape[1]]
cv2.imwrite(output_folder+name, crop_img)从图像中提取文本：
您的tesseract路径将是这样的：r'C:\Program Files\Tesseract-OCR\tesseract.exe'
def imgtotext(img, tesseract_path):
# Recognize the text as string in image using pytesserct
pytesseract.pytesseract.tesseract_cmd = tesseract_path
text = str(((pytesseract.image_to_string(Image.open(img)))))
text = text.replace('-\n', '')
return texthttps://stackoverflow.com/questions/67516273
复制相似问题
腾讯云开发者
