如何从pdf中提取特定标题下的文本？

Question

我想使用python从pdf提取特定标题下的文本。

例如，我有一个PDF，标题为Introduction，Summary，Contents。我只需要提取“摘要”标题下的文本。

我怎样才能做到这一点？

Answer 1

这个场景正是我在我现在的公司工作的。我们需要提取位于标题下的文本。我个人使用基于规则的系统，即在逐行阅读整个文档后使用正则表达式来识别所有编号的标题。一旦我有了标题，我就输入标题的名称，我想为其找到相应的段落。此输入与预先存在的标题列表匹配，并使用通用句子编码器找到最接近的匹配项。之后，我只显示从该标题到下一个标题的所有内容。