我正在尝试将 pdf 解析为 html,然后我想从标签中提取标题和副标题。 pdf 文档是由 Microsoft word 生成的,所以我很确定一定有办法获取这些标题。
到目前为止,我已经尝试使用 Apache Tika 和 PDFMiner.six 进行解析,但到目前为止,我得到的 html 没有这样的标签,我可以用它来提取文档的标题和副标题。
我想知道是否有办法做到这一点,将不胜感激任何帮助。谢谢
最佳答案
我建议您使用 GROBID,它是一个机器学习库,用于将 PDF 等原始文档提取、解析和重组为结构化的 XML/TEI 编码文档,特别关注技术和科学出版物。
用于 GROBID REST 服务的简单 Python 客户端可在 https://github.com/kermitt2/grobid-client-python 获得
此 Python 客户端可用于通过 GROBID 服务处理给定目录中的一组 PDF。结果写入给定的输出目录,并包括生成的 PDF 的 XML TEI 表示。
希望这会有所帮助。
关于python - 使用 Python 3 从 PDF 解析中提取标题和子标题,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/58092187/