如何从pdf中获取文本，以便从同一文档中进一步进行基于问题回答的模型？
如何从pdf中获取文本，以便从同一文档中进一步进行基于问题回答的模型？
提问于 2018-10-06 06:59:11
来说明上面的标题。
假设您有一个pdf文档，基本上是从硬拷贝扫描，现在有一组固定的问题要回答从文件本身。举个例子，一份文件包含了一份土地合同，现在一组固定的问题是“谁是卖方？”“资产的价格是什么？"，文件提到这个答案可能有2-3次，作为一个人，这是一个简单的任务。
如何实现自动化？
回答 2
Data Science用户
发布于 2018-10-06 12:20:23
您可以使用pypdf2从pdf中提取文本。
import PyPDF2
with open('sample.pdf','rb') as pdf_file, open('sample_output.txt', 'w') as text_file:
read_pdf = PyPDF2.PdfFileReader(pdf_file)
number_of_pages = read_pdf.getNumPages()
for page_number in range(number_of_pages): # use xrange in Py2
page = read_pdf.getPage(page_number)
print('Page No - ' + str(1 + read_pdf.getPageNumber(page)))
page_content = page.extractText()
text_file.write(page_content)Data Science用户
发布于 2023-05-27 04:40:00
您可以通过使用像pytesseract这样的OCR引擎来做到这一点。一旦文本被提取，您可以使用自定义的NLP规则来构建问题及其答案，也可以使用问答模型来完成这一任务。有许多这样的模型，如Layoutlm系列。Huggingface拥有许多这样的模型。
另外，不要使用PyPDF2，因为与pytesseract相比，它并不那么健壮。我试过了，它只适用于特定的pdfs。
Cheers!
页面原文内容由Data Science提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://datascience.stackexchange.com/questions/39261
复制相关文章
相似问题
腾讯云开发者
