如何使用 python 識別 pdf 中的圖形？

Question

新的 pdf 解析。

我想識別 pdf 文件中的圖形，因此我可以跳過它而不提取此類文本。 我所知道的關於 pdf 的是它是從 word 生成的（未掃描）。

輸入 - pdf，帶有這樣的圖表。 output 應該是 - 真或假

pdfplumber 可以識別表格，但似乎無法識別圖形。 嘗試識別曲線和矩形，但結果不一致。

也許還有另一種方式？

謝謝！

Answer 1

選項1：

（感謝@KJ 評論）我最終使用一些批量估計來了解頁面是否包含圖表。

如果頁面中有超過 MIN_RECTS，我假設那里有一個圖表（列被預測為矩形）或者如果有超過 MIN_CURVES 比有一個圖表（對我來說它是 0，但這取決於你是否有一些非 - header 或頁腳中的瑣碎形狀）。 它不是最好的，但它大部分時間都有效。

一些代碼的示例 - 之后同時使用函數和 extract_text() 會給我帶來非常好的結果。

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")

選項 2：

按照@G5W 的評論，可以使用 pywin32 將 PDF 轉換為 MS Word 文件以將 PDF 讀入 Word，然后僅使用 python-docx 提取文本。