Python 从文档中提取页眉和页脚（每页重复的文本）

我正在使用各种python库解析pdf文档，并可以将其转换为页面列表（字符串列表）。我想自动删除页眉和页脚，它们是几乎每页都重复的子字符串（不是每页都需要）。我不想太依赖几何（比如看固定的位置）。假设没有可用的元数据

我知道

difflib.SequenceMatcher

类和类似的工具，但这主要适用于字符串对。但我想利用文档有很多页面这一事实，而不仅仅是进行成对比较

---

我对高效算法和可能的python工具（如果有的话）都感兴趣。谢谢您的提示。

有一个python库

PyMuPDF

，它可能会帮助您解决问题。首先，它不知道任何关于页眉和页脚的信息，但您可以从中提取大量元数据字典并对其进行分析。我也遇到了同样的问题，我只想为每个页面提取pdf文件的标题。我使用了这个元数据，它包含有关文本的信息，如字体大小和字体名称。在我的例子中，与同一页面上的其他文本相比，每个标题的字体大小都更大，因此我使用这些信息进行提取。

谢谢，@Sharmiko，这有时可能有用，但我主要谈论的是仅包含图像和ocr ed（不可见）文本层的扫描文档。字体信息可能取决于OCR质量和配置，但我不会太依赖ti。我对一种算法很感兴趣，它可以从100页中找到“最常重复的块”。然而，对于“数字”pdf，您的建议绝对有用。