如何从基于文本的 pdf 中删除表格部分

问题描述

我有一个基于文本的 pdf（未成像或扫描）文件，其中包含两个部分——普通文本和表格。我可以使用camelot提取表数据。现在我只想提取没有表格部分的文本部分。有没有办法从pdf中删除表格？

解决方法

根据我的经验，此任务没有现成的方法。

有一次，我创建了一个管道，用于在从 PDF 中提取的文本中插入替换文本来代替表格。我遵循了这种方法：

1. 从 PDF 中提取文本（使用 PDFBox 或类似工具）
2. 使用 Camelot 检测表格
3. 从从 Camelot (table._bbox) 检测到的坐标开始，为每个表格生成一个 PDF 文件（通过编辑文件的裁剪框，再次使用 PDFBox）
4. 使用与第一步相同的工具从每个文件中提取表格文本
5. 替换整个文本中的表格文本（基于字符串相似性度量，例如 Levenshtein，或使用模糊字符串匹配）

也许你的问题比我遇到的要简单一些，因为你只需要删除表格的文本而不是替换它。

实际上，您也可以尝试直接删除（编辑）PDF 中的表格，使用 iText 等工具，然后从清理后的 PDF 中提取文本。

无论哪种方式，您都需要付出相当大的开发工作。