山东网站建设好不好,手机网站怎么做沉浸式,wordpress主题文档,网站开发费用记账基于python的PDF文件解析器汇总
大多数已发表的科学文献目前以 PDF 格式存在#xff0c;这是一种轻量级、普遍的文件格式#xff0c;能够保持一致的文本布局和格式。对于人类读者而言#xff0c; PDF格式的文件内容展示整洁且一致的布局有助于阅读#xff0c;可以很容易地…基于python的PDF文件解析器汇总
大多数已发表的科学文献目前以 PDF 格式存在这是一种轻量级、普遍的文件格式能够保持一致的文本布局和格式。对于人类读者而言 PDF格式的文件内容展示整洁且一致的布局有助于阅读可以很容易地浏览一篇论文并识别标题和图表。但是对于计算机而言PDF 格式是一个非常嘈杂的 ASCII 文件并不包含任何结构化文本的信息。因此我们期望从这些已经发表的PDF格式科学文献中重新提取文字、图片、表格、注释、目录等数据来构建格式化的信息用于机器学习例如目前最需要大量文本数据的自然语言处理Natural Language Processing, NLP或大语言模型(Large Language Modles ,LLMs)等应用中。 1. Nougat
Nougat (Neural Optical Understanding for Academic Documents)是Meta出品的一款基于ViTVisual Transformer的模型通过光学字符识别Optical Character Recognition, OCR将科学论文转化为标记语言。 最新发布时间2023年8月22日 GitHub address: GitHub - facebookresearch/nougat: Implementation of Nougat Neural Optical Understanding for Academic Documents Project page: Nougat
1.1 安装
# from pip:
pip install nougat-ocr# or from github repository
pip install githttps://github.com/facebookresearch/nougat1.2 测试
nougat path/to/file.pdf --out output_directory1.3 用法 usage: nougat [-h] [--batchsize BATCHSIZE] [--checkpoint CHECKPOINT] [--model MODEL] [--out OUT][--recompute] [--markdown] [--no-skipping] pdf [pdf ...]positional arguments:pdf PDF(s) to process.options:-h, --help show this help message and exit--batchsize BATCHSIZE, -b BATCHSIZEBatch size to use.--checkpoint CHECKPOINT, -c CHECKPOINTPath to checkpoint directory.--model MODEL_TAG, -m MODEL_TAGModel tag to use.--out OUT, -o OUT Output directory.--recompute Recompute already computed PDF, discarding previous predictions.--full-precision Use float32 instead of bfloat16. Can speed up CPU conversion for some setups.--no-markdown Do not add postprocessing step for markdown compatibility.--markdown Add postprocessing step for markdown compatibility (default).--no-skipping Dont apply failure detection heuristic.--pages PAGES, -p PAGESProvide page numbers like 1-4,7 for pages 1 through 4 and page 7. Only works 1.4 优劣限制 Nougat模型的训练数据几乎全是英文文献因此对非英文文字的识别有待考证。特别是中文与英文和拉丁文体相差较大因此中文文献的识别情况还很难说。 依旧是训练数据训练数据全部为科学论文来自于arXiv、PMC和IDL因此对科学论文的识别精度较高除此之外的PDF文档的识别效率依旧有待考证和进一步的优化。 由于这种方法是基于深度学习算法因此在识别PDF文档时不可避免的需要使用GPU算力且通常比经典方法GROBID 要慢。 2. ScienceBeam Parser
Githu addressScienceBeam
2.1 安装
pip install sciencebeam-parser2.2 测试
Python API: 服务器启动
from sciencebeam_parser.config.config import AppConfig
from sciencebeam_parser.resources.default_config import DEFAULT_CONFIG_FILE
from sciencebeam_parser.service.server import create_appconfig AppConfig.load_yaml(DEFAULT_CONFIG_FILE)
app create_app(config)
app.run(port8080, host127.0.0.1, threadedTrue)Python API: 解析PDF文件
from sciencebeam_parser.resources.default_config import DEFAULT_CONFIG_FILE
from sciencebeam_parser.config.config import AppConfig
from sciencebeam_parser.utils.media_types import MediaTypes
from sciencebeam_parser.app.parser import ScienceBeamParserconfig AppConfig.load_yaml(DEFAULT_CONFIG_FILE)# the parser contains all of the models
sciencebeam_parser ScienceBeamParser.from_config(config)# a session provides a scope and temporary directory for intermediate files
# it is recommended to create a separate session for every document
with sciencebeam_parser.get_new_session() as session:session_source session.get_source(example.pdf,MediaTypes.PDF)converted_file session_source.get_local_file_for_response_media_type(MediaTypes.TEI_XML)# Note: the converted file will be in the temporary directory of the sessionprint(converted file:, converted_file)3. pdfrw
3.1 安装
pip install pdfrw3.2 测试
from pdfrw import PdfReader
def get_pdf_info(path):pdf PdfReader(path)print(pdf.keys())print(pdf.Info)print(pdf.Root.keys())print(PDF has {} pages.format(len(pdf.pages)))if __name__ __main__:get_pdf_info(example.pdf)4. PDFQuery
4.1 安装
pip install pdfquery4.2 测试
from pdfquery import PDFQuerypdf PDFQuery(example.pdf)
pdf.load()# Use CSS-like selectors to locate the elements
text_elements pdf.pq(LTTextLineHorizontal)# Extract the text from the elements
text [t.text for t in text_elements]print(text)5. pdfminer.six GitHub addresspdfminer.six 最新发布时间2023年12月28日
5.1 安装
pip install pdfminer.six5.2 测试
from pdfminer.high_level import extract_texttext extract_text(example.pdf)
print(text)5.3 功能
支持各种字体类型Type1、TrueType、Type3 和 CID。支持提取图像JPG、JBIG2、Bitmaps。支持各种压缩方式ASCIIHexDecode、ASCII85Decode、LZWDecode、FlateDecode、RunLengthDecode、CCITTFaxDecode。支持 RC4 和 AES 加密。支持提取 AcroForm 交互式表单。提取目录。提取标记内容。自动布局分析。 6. SciPDF Parser
基于GROBID (GeneRation Of BIbliographic Data)) Github address: SciPDF Parser 最新发布时间
6.1 安装
# from pip
pip install scipdf-parser# or from github respository
pip install githttps://github.com/titipata/scipdf_parser6.2 测试
在解析PDF之前需要先运行GROBID
bash serve_grobid.sh该脚本将会运行 GROBID在默认端口8070 以下为python 解析PDF文件的脚本。
import scipdf
article_dict scipdf.parse_pdf_to_dict(example_data/futoma2017improved.pdf) # return dictionary# option to parse directly from URL to PDF, if as_list is set to True, output text of parsed section will be in a list of paragraphs instead
article_dict scipdf.parse_pdf_to_dict(https://www.biorxiv.org/content/biorxiv/early/2018/11/20/463760.full.pdf, as_listFalse)# output example{title: Proceedings of Machine Learning for Healthcare,abstract: ...,sections: [{heading: ..., text: ...},{heading: ..., text: ...},...],references: [{title: ..., year: ..., journal: ..., author: ...},...],figures: [{figure_label: ..., figure_type: ..., figure_id: ..., figure_caption: ..., figure_data: ...},...],doi: ...
}xml scipdf.parse_pdf((example.pdf, soupTrue) # option to parse full XML from GROBID7. pdfplumber GitHub address: pdfplumber 最新发布时间2024年3月7日
7.1 安装
pip install pdfplumber7.2 测试
pdfplumber example.pdf background-checks.csv7.3 用法
参数描述--format [format]csv or json. The json format returns more information; it includes PDF-level and page-level metadata, plus dictionary-nested attributes.--pages [list of pages]A space-delimited, 1-indexed list of pages or hyphenated page ranges. E.g., 1, 11-15, which would return data for pages 1, 11, 12, 13, 14, and 15.--types [list of object types to extract]Choices are char, rect, line, curve, image, annot, et cetera. Defaults to all available.--laparamsA JSON-formatted string (e.g., {detect_vertical: true}) to pass to pdfplumber.open(..., laparams...).--precision [integer]The number of decimal places to round floating-point numbers. Defaults to no rounding.
7.4 python package usage
import pdfplumberwith pdfplumber.open(example.pdf) as pdf:first_page pdf.pages[0]print(first_page.chars[0])8. borb
8.0 简介
borb 是一个纯 Python 库用于读取、写入和操作 PDF 文档。它将 PDF 文档表示为嵌套列表、字典和基本数据类型数字、字符串、布尔值等的类似 JSON 的数据结构。 Github address: borb 最新发布时间2024年5月
8.1 安装
下载地址: borb · PyPI
# from pip
pip install borb# reinstalled the latest version (rather than using its internal cache)
pip uninstall borb
pip install --no-cache borb8.2 测试创建pdf
from pathlib import Pathfrom borb.pdf import Document
from borb.pdf import Page
from borb.pdf import SingleColumnLayout
from borb.pdf import Paragraph
from borb.pdf import PDF# create an empty Document
pdf Document()# add an empty Page
page Page()
pdf.add_page(page)# use a PageLayout (SingleColumnLayout in this case)
layout SingleColumnLayout(page)# add a Paragraph object
layout.add(Paragraph(Hello World!))# store the PDF
with open(Path(output.pdf), wb) as pdf_file_handle:PDF.dumps(pdf_file_handle, pdf)8.3 功能
读取PDF并提取元信息修改元信息从PDF中提取文本从PDF中提取图像改变PDF中的图像向PDF添加注释笔记、链接等向PDF添加文本向PDF添加表格向PDF添加列表使用页面布局管理器 9. PyPDF4 Github addressPyPDF4 最新发布时间2018年8月8日
9.1 安装
pip install pypdf9.2 测试
from pypdf import PdfReaderreader PdfReader(example.pdf)
page reader.pages[0]
print(page.extract_text())
