从PDF文档中仅提取粗体文本

问题描述

我面临着从pdf提取文本及其非常特殊的用例（不仅仅是普通的旧文本提取）的挑战。

我有很多pdf文档，想从中提取粗体文本。我已经在Stack Overflow和其他网站上浏览了多个帖子，但是它们都不起作用。如果有人可以帮助我，这将有所帮助。我的pdf并不那么复杂，而只是文本（甚至不是表格）。

This是示例pdf，输出应为列表[“ Shreya Singhal”，“撒哈拉印度房地产” 股份有限公司与印度证券交易委员会”，“信实石油化工有限公司诉。印度快递报纸的所有人”]

这也是我的第二个问题，请告诉我是否需要进行编辑。我将很乐意添加任何需要的其他注释。我的第一个问题因为缺乏透明度而被关闭。

谢谢大家的帮助。

解决方法

通常，您的问题很难破解。原因是大多数文本提取引擎仅提取文本。他们可能会使用一些有关PDF文件中图形状态的信息（例如颜色/字体/等）来检测断字等，但是您通常会得到“未修饰的”文本。

如果您知道PDF文件并且它们很简单，则可能有一些方法可以执行此操作。它需要一个能够分析页面内容和页面内容使用的资源（在这种情况下为字体）的PDF库。然后，您有两个选择：

1. 遍历页面内容，并跟踪当前字体。仅导出使用您感兴趣的（粗体）字体的文本。
2. 奇怪，但可能更容易。运行页面内容，并删除所有不使用您感兴趣的字体的文本对象。现在，在生成的PDF文件上运行文本提取引擎。

选项2可能实际上更好用的原因是PDF中的文本提取很困难。因此，如果您找到一个库/工具可以删除您不感兴趣的页面上的所有内容，那么使用现成的文本提取引擎比尝试使用低级的库和图形要容易得多。这就是你自己。

肯定有针对此的商业解决方案-Adobe Acrobat及其底层的callas引擎可以做到这一点（警告，我与该工具关联），还有其他解决方案。因此该策略是可行的，您只需要找到可以执行原子任务（使用某些规则删除对象/提取文本）的库即可。

警告

讨论Stack Overflow的策略是一回事，就库的使用提出建议是另一回事，并且在站点规则范围内是不允许的（因为这将导致基于意见的答案）。请记住这一点。