使用Python 3从PDF解析中提取标题和子标题

我试图将pdf解析为html，然后我想从标记中提取标题和副标题。pdf文档是由MicrosoftWord生成的，所以我很确定一定有办法获取这些标题

到目前为止，我已经尝试过使用ApacheTika和PDFMiner.six进行解析，但到目前为止，我得到的html没有这样的标记，我可以用来提取文档的标题和副标题

---

我想知道是否有办法做到这一点，将感谢任何帮助。谢谢

我建议您使用GROBID，这是一个机器学习库，用于提取、解析原始文档（如PDF）并将其重新构造为结构化XML/TEI编码文档，特别关注技术和科学出版物

GROBID REST服务的简单python客户端位于

GROBID服务可以使用此Python客户端处理给定目录中的一组PDF。结果写在给定的输出目录中，并包括PDF的结果XML TEI表示形式

---

希望这能有所帮助。

我建议您使用GROBID，这是一个机器学习库，用于提取、解析原始文档（如PDF）并将其重新构造为结构化XML/TEI编码文档，特别关注技术和科学出版物

GROBID REST服务的简单python客户端位于

GROBID服务可以使用此Python客户端处理给定目录中的一组PDF。结果写在给定的输出目录中，并包括PDF的结果XML TEI表示形式

希望这有帮助