如何使用 PDFplumber 只提取 pdf 文件中没有表格的文本？

我想使用 NLP 模块处理一些 pdf 文件，然后我想从所有现有表中清除这些文件。

这是使用 pdfplumber 提取表格的代码

import pdfplumber
pdf = pdfplumber.open("file.pdf")
page = pdf.pages[1]
table=page.extract_table()

但我想反转操作以仅提取文本

免责声明：我是以下内容的作者pText，本答案中使用的库。

1. 加载Document

2. 你需要定义一个LocationFilter

A LocationFilter其作用与罐头上所说的差不多。它将侦听解析事件（例如“渲染文本”或“将字体更改为”），但它只允许那些在给定边界内通过的事件。

请记住 PDF 坐标中的原点位于左下角。 这LocationFilter因此，在此示例中将仅匹配页面左下角的文本。

3. Add a SimpleTextExtraction to the LocationFilter

下一个问题是“什么是LocationFilter要将事件传递给？” 在这种情况下，您可以先尝试SimpleTextExtraction.

把它们放在一起：

l0 = LocationFilter(0, 0, 100, 100)

l1 = SimpleTextExtraction()
l0.add_listener(l1)

doc = PDF.loads(pdf_file_handle, [l])

文档加载后，您可以询问SimpleTextExtraction对于给定的所有文本Page.

l1.get_text(0)

您可以通过以下任一方式获取 pTextGitHub https://github.com/jorisschellekens/ptext-release，或使用PyPi https://pypi.org/project/ptext-joris-schellekens/还有很多examples https://github.com/jorisschellekens/ptext-release/blob/master/EXAMPLES.md，查看它们以了解有关处理图像的更多信息。