如何用Python从富格式PDF提取核心文本（排除页脚、表格等）

• 基于布局分析的pdfplumber进阶用法
  pdfplumber支持获取文本的位置、字体大小等布局特征，可通过这些特征过滤冗余内容：

  import pdfplumber
  
  def extract_main_text(pdf_path, page_num):
      main_text = []
      with pdfplumber.open(pdf_path) as pdf:
          page = pdf.pages[page_num]
          # 遍历页面所有字符块
          for word in page.extract_words():
              # 示例规则：过滤页脚（页面底部10%区域）、小字体文本
              if word['bottom'] > page.height * 0.9:
                  continue
              if word['size'] < 10:
                  continue
              main_text.append(word['text'])
      return ' '.join(main_text)
  
  # 使用示例
  print(extract_main_text("your_file.pdf", 10))
  

  可根据目标PDF的实际布局，调整坐标阈值、字体大小、字体样式等规则，精准筛选核心文本。

• 基于机器学习的文档理解库

  • LayoutLM系列模型：针对文档布局的预训练模型，可识别文本的角色（正文、页脚、表格等），通过分类过滤非正文内容。
  • DocTR：专注文档理解的库，支持文本区域类型识别，直接提取正文：

    from doctr.io import DocumentFile
    from doctr.models import ocr_predictor
    
    model = ocr_predictor(pretrained=True)
    doc = DocumentFile.from_pdf("your_file.pdf")
    result = model(doc)
    # 提取模型标记为正文的内容（标签需根据模型输出调整）
    main_text = []
    for page in result.pages:
        for block in page.blocks:
            if block.label == "text":
                main_text.append(block.value)
    print('\n'.join(main_text))
    

• 商业工具API（可选）
  部分商业PDF处理API（如Adobe PDF Services API）内置文档结构识别功能，可直接提取正文，无需自行编写复杂规则，但需付费使用。

内容的提问来源于stack exchange，提问作者a-caputo