Python 分节阅读 pdf

Question

我正在尝试读取一个 pdf 文件，其中每一页都分为 3x3 的信息块，格式为

A | B | C
D | E | F
G | H | I

每个条目都分为多行。一个条目的简化示例是 this card。但随后其他 8 个插槽中将有类似的卡。我希望能够阅读 A，然后是 B，然后是 C……；但是，如果我阅读 A、B 和 C 的第一行，然后阅读 A、B 和 C 等的第二行，我就可以生存。我看过 pdfminer 和 pypdf，但我没有看到任何适合我正在寻找的东西。答案 here 工作得很好，但是
的顺序列通常会扭曲。

Answer 1

我无法想出完美的解决方案，但以下最适合我的需要。

import PyPDF2
from StringIO import StringIO
def getPDFContent(path, pages=[]):
    content = ""
    p = file(path, "rb")
    pdf = PyPDF2.PdfFileReader(p)
    if pages:
        for i in pages:
            content += pdf.getPage(i).extractText() + "\n"
    else:
        numPages = pdf.getNumPages()
        for i in range(numPages):
            content += pdf.getPage(i).extractText() + "\n"
    content = " ".join(content.replace(u"\xa0", " ").strip().split())
    return content

Answer 2

在第二个答案中here替换

self.rows = sorted(self.rows, key = lambda x: (x[0], -x[2]))

来自

self.rows = sorted(self.rows, key = lambda x: (x[0], -x[2], x[1]))

非常重要：请参阅此答案的最后一段。

Python 分节阅读 pdf

Python read pdf in sections

python

pdf

pypdf

pdfminer