Python 解析PDF时忽略表
我想解析pdf并删除所有表、图像。我使用PyPDF2和pdfminer解析pdf，但它也解析表的内容以及其他内容。我尝试将pdf转换为xml（使用pdfminer）以获得某种结构，这样我就可以忽略表。但我没有得到有用的结构。我得到了不同id的元素，就像这样Python 解析PDF时忽略表,python,pdf,xml-parsing,pypdf2,pdfminer,Python,Pdf,Xml Parsing,Pypdf2,Pdfminer,我想解析pdf并删除所有表、图像。我使用PyPDF2和pdfminer解析pdf，但它也解析表的内容以及其他内容。我尝试将pdf转换为xml（使用pdfminer）以获得某种结构，这样我就可以忽略表。但我没有得到有用的结构。我得到了不同id的元素，就像这样 <textbox id="1" bbox="56.760,740.908,82.824,751.816"> 我知道，我可以使用这些id属性忽略这个表，但我有一大组文档，使用这种方法，我必须手动检查哪个id属于这个表，以便我
<textbox id="1" bbox="56.760,740.908,82.824,751.816">
from pdfreader import SimplePDFViewer, PageDoesNotExist
fd = open(you_pdf_file_name, "rb")
viewer = SimplePDFViewer(fd)
pdf_markdown = ""
try:
while True:
viewer.render()
pdf_markdown += viewer.canvas.text_content
viewer.next()
except PageDoesNotExist:
pass
text = my_cool_tables_parser(pdf_markdown)
from pdfreader import SimplePDFViewer, PageDoesNotExist
fd = open(you_pdf_file_name, "rb")
viewer = SimplePDFViewer(fd)
pdf_markdown = ""
try:
while True:
viewer.render()
pdf_markdown += viewer.canvas.text_content
viewer.next()
except PageDoesNotExist:
pass
text = my_cool_tables_parser(pdf_markdown)
我曾面临过类似的问题。我想忽略表格和图表。由于我的表格和图表大多是数字数据，我选择了下面的方法。 1.使用tika提取文本。 2.把课文分成几个句子。 3.使用stopwords作为参考，过滤掉那些不包含至少一个stopwords的句子。（一个句子没有一个介词是不可能的）
这在很大程度上解决了这个问题。此外，我们还可以使用这种方法在一定程度上去除页脚、段落标题我曾经遇到过类似的问题。我想忽略表格和图表。由于我的表格和图表大多是数字数据，我选择了下面的方法。 1.使用tika提取文本。 2.把课文分成几个句子。 3.使用stopwords作为参考，过滤掉那些不包含至少一个stopwords的句子。（一个句子没有一个介词是不可能的）
这在很大程度上解决了这个问题。此外，我们还可以使用这种方法在一定程度上去除页脚、段落标题。你能给我一些关于如何使用正则表达式跳过表格的建议吗。我在执行上述代码时得到以下结果。
0.750000 0.0000000.000000-0.750000 0.000000 841.920044厘米 Q 0.0000000.0000000.000000RG 英国电信 0 Tr /F1 14.720600 Tf 100.000000-196.000000 109.919998 Tm （三）0.0741219（o）0.5923414（b）0.65234（b）0.65234（b）0.6523404（b）6.0 0 0 0.6（f）0.597656（f）0.406250（f）0.406250（f）0.40406250（f）0.597（f）6-0.406250（f）7-0.406250（f）0.406250（7）5（7）5（7）5）5（7（7）5）50（0.7-0.406250（7）50（7（7）5）50（7（7）5）5）0.7（7（7（7）5）50（7（f）5）5）5）0.7（7-0-0.7（7（7（7）5）5）5）7（7（7）5）50（7（7）5）5）600万（g）-600万（g）-0.074219]TJ ET Q Q 0.0000000.0000000.000000RG 英国电信 0 Tr /F2 14.720600 Tf 100.000000-1502.559998 109.919998 Tm [（）-0.074219]TJ
ET你能给我一些关于如何用正则表达式跳过表的建议吗。我在执行上述代码时得到以下结果。
0.750000 0.0000000.000000-0.750000 0.000000 841.920044厘米 Q 0.0000000.0000000.000000RG 英国电信 0 Tr /F1 14.720600 Tf 100.000000-196.000000 109.919998 Tm （三）0.0741219（o）0.5923414（b）0.65234（b）0.65234（b）0.6523404（b）6.0 0 0 0.6（f）0.597656（f）0.406250（f）0.406250（f）0.40406250（f）0.597（f）6-0.406250（f）7-0.406250（f）0.406250（7）5（7）5（7）5）5（7（7）5）50（0.7-0.406250（7）50（7（7）5）50（7（7）5）5）0.7（7（7（7）5）50（7（f）5）5）5）0.7（7-0-0.7（7（7（7）5）5）5）7（7（7）5）50（7（7）5）5）600万（g）-600万（g）-0.074219]TJ ET Q Q 0.0000000.0000000.000000RG 英国电信 0 Tr /F2 14.720600 Tf 100.000000-1502.559998 109.919998 Tm [（）-0.074219]TJ
ET请帮助共享my_cool_tables_解析器函数code@gosgenq
my\u cool\u tables\u parsermy\u cool\u tables\u parser