Python 2.7 如何从pdf中提取特定标题下的文本？

我想使用python从pdf中提取特定标题下的文本

例如，我有一个pdf，标题有介绍、摘要和内容。我只需要提取“摘要”标题下的文本

我该怎么做

---

这个场景正是我在当前公司所做的。我们需要提取标题下的文本。我个人使用的是一个基于规则的系统，也就是说，在逐行阅读整个文档之后，使用正则表达式识别所有编号的标题。一旦我有了标题，我就输入我想找到相应段落的标题的名称。此输入与预先存在的标题列表匹配，并使用通用句子编码器查找最接近的匹配项。之后，我只显示从该标题到下一个标题的所有内容。

Pdf是非结构化文本，因此没有直接提取数据的标记。因此，我们使用正则表达式从文本语料库中找到所需的信息。 使用以下代码提取原始页面文本

import fitz
page = pdf_file.loadPage(0) # 0 represents the page number... upto n-1 pages...
dl = page.getDisplayList()
tp = dl.getTextPage()
tp_text=tp.extractText()
re.split('\n\d+.+[ \t][a-zA-Z].+\n',tp_text)

然后根据需要应用正则表达式。。。（这对我来说很有用，但您可能需要也可能不需要更改它）

我给出了一个详细的例子，说明这将如何工作

re.findall（'\n\d+.+[\t][a-zA-Z].+\n'，“一些文本\n1.标题1\n标题1\n1.2.3标题2\n标题2”）

输出：['\n1.标题1\n'，'\n1.2.3标题2\n']

您可以使用

re.split

按标题拆分文本并检索所需的标题文本

re.split（'\n\d+.+[\t][a-zA-Z].+\n'，“一些文本\n1.标题1\n标题1\n1.2.3标题2\n标题2”）

输出：['一些文本'，'第1段'，'图表2']

---

简单的第i个标题将包含（i+1）标题文本。

我发现使用正则表达式的最佳方法

regex = r"^\d+(?:\.\d+)* .*(?:\r?\n(?!\d+(?:\.\d+)* ).*)*"
print(re.findall(regex,samplestring, re.M))

---

因为我不喜欢用python处理PDF，所以我无法给出答案；不过，了解一下PDF，让我来提示一些困难：您的示例文件有两个文本列。不过，这并不一定反映在内部PDF内容中。根据文档本身，很可能存在任务的解决方案；不过，为了提供匹配的解决方案，最好提供有问题的PDF。否则，人们可能会提出适用于类似文档的解决方案，而不是您的解决方案。或者不提供解决方案，因为他们无法测试它是否匹配。@Midhun开始悬赏可能是个好主意，但即使这样，OP也需要合作，Alfiya没有回复usr2564301在Ankit的回答中的评论，在该评论中使用提示是否解决了问题。你能得到解决方案吗？@user2999110嘿，我能理解，regex是唯一的解决方案。但我找不到任何解决方案来处理标题格式不可预测的pdf。在这种情况下，regex无法工作。请添加代码片段并解释其步骤，以便更好地理解？