python - pdfplumber extract_text 函数还从表中提取文本。只想提取表格外的文本

Question

我有一个包含文本和表格的 pdf。我想提取它们两个，但是当我使用 extract_text 函数时，它也会提取表内的内容。我只想提取表外的文本，并且可以使用 extract_tables 函数提取表。

我已经使用仅包含表格但仍然 extract_text 的 pdf 进行了测试，它还提取了我想使用 extract_tables 函数提取的表格内容。

Answer 1

您可以尝试使用以下代码

import pdfplumber

# Import the PDF.
pdf = pdfplumber.open("file.pdf")

# Load the first page.
p = pdf.pages[0]

# Table settings.
ts = {
    "vertical_strategy": "lines",
    "horizontal_strategy": "lines",
}

# Get the bounding boxes of the tables on the page.
bboxes = [table.bbox for table in p.find_tables(table_settings=ts)]

def not_within_bboxes(obj):
    """Check if the object is in any of the table's bbox."""
    def obj_in_bbox(_bbox):
        """See https://github.com/jsvine/pdfplumber/blob/stable/pdfplumber/table.py#L404"""
        v_mid = (obj["top"] + obj["bottom"]) / 2
        h_mid = (obj["x0"] + obj["x1"]) / 2
        x0, top, x1, bottom = _bbox
        return (h_mid >= x0) and (h_mid < x1) and (v_mid >= top) and (v_mid < bottom)
    return not any(obj_in_bbox(__bbox) for __bbox in bboxes)

print("Text outside the tables:")
print(p.filter(not_within_bboxes).extract_text())

我正在使用.filter()pdfplumber 提供的方法删除落在任何表格边界框内的任何对象，并创建页面的过滤版本，然后从中提取文本。

由于您尚未共享 PDF，因此我使用的表格设置可能不起作用，但您可以更改它们以满足您的需要。