问题描述
我有一组“扁平化”但可搜索的 PDF 表单(附上示例)。由于它们不是 Acroforms/可编辑的 PDF 表单,我无法使用 PDFTK 或任何其他 Acroform Extractor 工具来提取表单字段及其对应的值。
由于 PDF 不是图像并且具有可搜索的文本,因此我能够使用 PDFparser.poppler 提取 PDF 的单词及其坐标。但是,这种类型的提取会不加选择地提取 PDF 文档中的所有文本,因为“扁平化”的 PDF 不包含表单域数据。 >
有谁知道如何将表单域及其值(包括空白域)与文本的其余部分区分开来,并仅从各种“扁平化”PDF 中提取表单域及其对应的域值使用 Python 的文档? (也许在 Python 上使用一些基于规则的算法或机器学习算法来执行此操作?)
我在此处提供了填充虚构数据的 PDF 文档示例:
https://drive.google.com/file/d/1r57yrPuvzYlXwg-0KPM9UQGhu8jgWcUs/view?usp=sharing
https://drive.google.com/file/d/1S5Rz1H80y3SxCIzeEMb28FPjsXzeI6Ci/view?usp=sharing
解决方法
暂无找到可以解决该程序问题的有效方法,小编努力寻找整理中!
如果你已经找到好的解决方法,欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@)