如何提取PDF年度报告的叙述部分以进行文本分析？

问题描述

我想将FOG指数作为我的本科论文的一部分，比较保险公司的SFCR报告和IFRS报告。这些报告以PDF格式提供。

我想使用Perl中的Fathom软件包，但是为此，我需要txt格式的财务报表的叙述区域。您是否知道在没有我手动复制所有内容的情况下如何工作？

谢谢！

解决方法

Python模块pdfminer可用于提取所有文本（以及图形和表格中的文本）：

$ pip install pdfminer
$ qpdf --decrypt --password='' report.pdf report2.pdf
$ pdf2txt.py -o report2.txt report2.pdf

这会将提取的文本保存到report2.txt。请注意，我使用了示例PDF文件aegon-integrated-annual-report-2019.pdf。事实证明，此文件已加密，pdf2txt.py拒绝对其进行处理，但是幸运的是，qpdf能够如上所示对其进行解密。