如何阻止 pdfplumber 阅读每页的 header？

Question

我希望 pdfplumber 从用户提供的随机 pdf 中提取文本。问题是 pdfplumber 还会从每个页面中提取 header 文本或标题。我如何编程 pdfplumber 以不读取页面 headers（标题）和页码（或页脚，如果可能）？

这是代码：

import pdfplumber

all_text = ""

pdf = pdfplumber.open(file)
for pdf_page in pdf.pages:
    one = pdf_page.extract_text()
    all_text = all_text + '\n' + str(one)
    print(all_text)

其中 file 是 PDF 文档...

Answer 1

我认为你做不到。

但是，您可以使用 crop 方法裁剪文档。这样，您可以只提取页面裁剪部分的文本，而忽略页眉和页脚。当然这种方法需要你事先知道页眉和页脚的高度。

坐标解释如下：

x0 = % Distance of left side of character from left side of page.
top = % Distance of top of character from top of page.
x1 = % Distance of right side of character from left side of page.
bottom = % Distance of bottom of the character from top of page.

代码如下：

# Get text of whole document as string
crop_coords = [x0, top, x1, bottom]
text = ''
pages = []
with pdfplumber.open(filename) as pdf:
    for i, page in enumerate(pdf.pages):
        my_width = page.width
        my_height = page.height
        # Crop pages
        my_bbox = (crop_coords[0]*float(my_width), crop_coords[1]*float(my_height), crop_coords[2]*float(my_width), crop_coords[3]*float(my_height))
        page_crop = page.crop(bbox=my_bbox)
        text = text+str(page_crop.extract_text()).lower()
        pages.append(page_crop)

如何阻止 pdfplumber 阅读每页的 header？

How to stop pdfplumber from reading the header of every pages?

python

python-3.x

pdfplumber