如何使用 python 识别 pdf 中的图形？

Question

新的 pdf 解析。

我想识别 pdf 文件中的图形，因此我可以跳过它而不提取此类文本。 我所知道的关于 pdf 的是它是从 word 生成的（未扫描）。

输入 - pdf，带有这样的图表。 output 应该是 - 真或假

pdfplumber 可以识别表格，但似乎无法识别图形。 尝试识别曲线和矩形，但结果不一致。

也许还有另一种方式？

谢谢！

Answer 1

选项1：

（感谢@KJ 评论）我最终使用一些批量估计来了解页面是否包含图表。

如果页面中有超过 MIN_RECTS，我假设那里有一个图表（列被预测为矩形）或者如果有超过 MIN_CURVES 比有一个图表（对我来说它是 0，但这取决于你是否有一些非 - header 或页脚中的琐碎形状）。 它不是最好的，但它大部分时间都有效。

一些代码的示例 - 之后同时使用函数和 extract_text() 会给我带来非常好的结果。

page = pdfplumber.open("file.pdf").pages[0]

def contains_graphs(page):
  return len(page.rects) > MIN_RECTS or len(page.curves) > MIN_CURVES 

def only_chars_from_page_filter(page):
  return page.filter(lambda obj: obj["object_type"] == "char")

选项 2：

按照@G5W 的评论，可以使用 pywin32 将 PDF 转换为 MS Word 文件以将 PDF 读入 Word，然后仅使用 python-docx 提取文本。