使用 Python 3 从 PDF 解析中提取标题和子标题

Question

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.6 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。谢谢

Answer 1

我建议您使用 GROBID，它是一个机器学习库，用于提取、解析和重新构建原始文档（例如 PDF）为结构化 XML/TEI 编码文档，特别关注技术和科学出版物。

GROBID REST 服务的简单 python 客户端可在https://github.com/kermitt2/grobid-client-python上找到

该 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中，并包括生成的 PDF 的 XML TEI 表示形式。

希望这可以帮助。