【转载】将 PDF 文件转换为文本

大多数PDF文件看起来都包含结构良好的文本。但现实情况是，PDF文件不包含任何类似于段落，句子甚至单词的内容。当涉及到文本时，PDF文件只知道字符及其位置。

这使得从PDF文件中提取有意义的文本片段变得困难。构成段落的字符与构成表格、页脚或图形描述的字符没有什么不同。与其他文档格式（如.txt文件或 Word 文档）不同，PDF 格式不包含文本流。

PDF 文档确实由一组对象组成，这些对象共同描述了一个或多个页面的外观，可能还附带了其他交互式元素和更高级别的应用程序数据。PDF 文件包含构成 PDF 文档的对象以及关联的结构信息，所有这些信息都表示为单个独立的字节序列。[注1]


布局分析算法

PDFMiner试图通过对字符定位使用启发式方法来重建其中一些结构。这适用于句子和段落，因为可以创建有意义的附近字符组。

布局分析由三个不同的阶段组成：它将字符分组为单词和行，然后将行分组到框中，最后按层次结构对文本框进行分组。以下各节将讨论这些阶段。布局分析的结果输出是 PDF 页面上布局对象的有序层次结构。



布局分析的输出是布局对象的层次结构。


布局分析的输出很大程度上取决于几个参数。所有这些参数都是 LAParams 类的一部分。


将字符分组为单词和行

从字符到文本的第一步是以有意义的方式对字符进行分组。每个字符的左下角和右上角（即边界框）都有一个 x 坐标和一个 y 坐标。Pdfminer.six 使用这些边界框来决定哪些字符属于一起。

水平和垂直接近的字符被分组到一行中。它们应该有多接近由char_margin（图中的M）和line_overlap（而不是图中）参数确定。两个字符的边界框之间的水平距离应小于char_margin边界框之间的垂直重叠应小于line_overlap。


	

		

			
→
			
← 米
		
		

			
Q u i
			
c k
			
 
			
b r o w n
		
		

			
→
			
 
			
← W
		
	


char_margin和line_overlap的值相对于字符边界框的大小。char_margin相对于任一边界框的最大宽度，line_overlap相对于任一边界框的最小高度。

需要在字符之间插入空格，因为 PDF 格式没有空格字符的概念。如果字符的距离比word_margin（图中的 W）更远，则插入一个空格。word_margin相对于新字符的最大宽度或高度。较小的word_margin会创建较小的单词。请注意，word_margin应至少小于char_margin否则任何字符都不会被空格分隔。

此阶段的结果是行的列表。每行由一个字符列表组成。这些字符可以是源自 PDF 文件的原始 LTChar 字符，也可以是插入的 LTAnno 字符，表示单词之间的空格或每行末尾的换行符。



将行分组到框中

第二步是以有意义的方式对行进行分组。每行都有一个边界框，该边界框由它所包含的字符的边界框确定。与对字符进行分组一样，pdfminer.six 使用边界框对行进行分组。

水平重叠和垂直接近的线将被分组。线的垂直接近程度应由line_margin确定。此边距是相对于边界框的高度指定的。如果边界框的顶部（见图中的 L 1）和底部（见图中的 L 2）之间的间隙比绝对行距（即line_margin乘以边界框的高度）更近，则线条较近。


	

		

			
 
			
 
			
↓
			
 
		
		

			
Q u i c k   b r o w n
			
 
			
↓
		
		

			
 
			
 
			
L1
			
 
		
		

			
f o x
			
                     
			
↑
			
二层
		
		

			
 
			
 
			
 
			
↑
		
	


此阶段的结果是文本框列表。每个框由一个行列表组成。



按层次结构对文本框进行分组

最后一步是以有意义的方式对文本框进行分组。此步骤重复合并彼此最接近的两个文本框。

边界框的接近度计算为两个文本框之间的区域（图中的蓝色区域）。换言之，它是围绕两条线的边界框的面积减去单条线的边界框的面积。


	

		

			
Q u i c k   b r o w n

			f o x
			
 
		
		

			
 
		
		

			
 
			
j u m p s ...
		
	





使用旋转字符

上述算法假定所有字符具有相同的方向。但是，任何写作方向都可以在PDF中进行。为了适应这种情况，pdfminer.six允许使用detect_vertical参数检测垂直写入。这将应用所有分组步骤，就好像pdf旋转了90（或270）度一样



引用



	

		

			
[1]
			
Adobe System Inc. （2007）.Pdf 参考：Adobe 可移植文档格式，版本 1.7。