问题标签 [pdfplumber]

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。

我正在尝试计算从 PDF 中提取的一系列单词，但我只得到 0 并且它不正确。

我有一个格式非常具体的大 pdf 文件，如果你愿意的话，还有一堆报告，都在一个大的 pdf 文档中。我正在使用 pdfplumber 在每页的边界框中提取特定文本。我把这个变量叫做scene_text。scene_text 的值在整个文档中发生变化，但许多页面包含相同的 scene_text 值。我想将大 pdf 分成多个较小的 pdf 文件，这些文件根据它们的 scene_text 值命名，每个 pdf 文件都包含具有匹配 scene_text 的所有页面。我非常卡住，任何帮助将不胜感激。

我正在编写一个脚本，该脚本从 pdf 文件中提取文本并将其作为字符串插入到单个 csv 行中。使用pdfplumbr我可以成功提取文本，将每个页面的文本作为单独的行插入到 csv 中。但是，我正在努力弄清楚如何将这些行组合成一个单元格。我正在尝试将 Pandaspd.concat功能结合起来，但到目前为止还没有成功。

这是我的代码：

但是，最终输出无法合并行，更糟糕的是似乎丢失了最后一行。关于如何解决这个问题的任何建议？感谢所有帮助。

我正在开发一个脚本，该脚本通过循环从目录中的所有 pdf 文件中提取文本，并将它们插入到 csv 文件的各个单元格中。我可以成功地将输出写入单元格。但是，我需要 csv 文件包含"text"用于与另一个 csv 合并的标题。到目前为止，我插入该标题的尝试csv_writer遇到了困难。

例如，下面的代码成功地从 pdf 中提取和插入文本，但为每个提取的文件写入一个新的标题：

我尝试的另一种方法同样不成功。我尝试先将标头写入 csv，然后将循环的输出附加到 csv。但是，由于某种原因，pdf 输出的格式被完全破坏，文本分散在多个单元格而不是单个单元格中。

任何有关此挑战的变通办法或更好方法的建议都将受到欢迎。

（我知道 pdfplumber 主要面向计算机生成的 PDF。但是，在我花了几天时间从扫描的 PDF 中手动输入数据之前，我想我会问 pdfplumber 是否能以某种方式帮助我。）

我的问题：
我从历史书籍中扫描了 PDF。
示例：来自统计年鉴的数据
现在我正在尝试从扫描的 PDF 中提取表格（示例中右下角的那个）。

我第一次尝试用 pdfplumber 提取表格没有成功。
例如

回来None

有没有希望我能够非手动提取这种数据？还是我应该把它吸干？

提前感谢您的任何帮助或建议！

我是 pdfplumber 的新手，我对它如何从表格中提取文本感到惊讶。

它很容易适用于所有页表，但就我而言，我使用的是一些拓扑示意图，其中包含一些表。

它无法提取文档中每个表的第一列和最后一行。我试图调整 table_settings 变量中的几个配置参数，不幸的是我无法获得更好的结果（在我的情况下，原理图中的其余文本被视为表格，以防我使用“文本”而不​​是“线”）。

有什么帮助吗？我正在使用 Python 3.9.8，用于测试的 pdf 可以在以下位置找到：schematic.pdf

接下来是源代码：

我正在使用 pdfplumber 来提取一些 pdf 文档的内容。

在 i=30 我收到以下错误：

文件“C:\ProgramData\Anaconda3\lib\site-packages\pdfminer\cmapdb.py”，第 117 行，在 decode return struct.unpack('>%dH' % n, code)

错误：解包需要 230 字节的缓冲区

有什么办法可以解决这个问题？

目标：如果 pdf 行包含子字符串，则复制整个句子（跨多行）。

我能够出现print()在。linephrase

现在，一旦我找到这个line，我想返回迭代，直到我找到一个句子终止符：. ! ?，从上一个句子开始，然后再次向前迭代，直到下一个句子终止符。

这样我就可以知道print()该短语所属的整个句子。

Jupyter 笔记本：

输出：

短语：

句子（跨多行）：

PDF（第 2 页）。

我一直在基于这个解决方案进行“回溯”迭代。我确实尝试了 a ，但它不会让你退回迭代。for-loop

添加了正则表达式语句

如果还有什么我可以添加到帖子中，请告诉我。

目标：如果 pdf 行包含子字符串，则复制整个句子（跨多行）。

我能够出现print()在。linephrase

现在，一旦我找到这个line，我想返回迭代，直到我找到一个句子终止符：. ! ?，从上一个句子开始，然后再次向前迭代，直到下一个句子终止符。

这样我就可以知道print()该短语所属的整个句子。

但是，我遇到了一个递归错误，无法scrape_sentence()无限运行。

Jupyter 笔记本：

输出：

短语：

句子（跨多行）：

PDF（第 2 页）。

如果还有什么我可以添加到帖子中，请告诉我。