使用python更精确的解析PDF文件

最近的工作主要是对一些pdf格式的非结构化数据，通过自然语言处理，机器学习的算法提取出结构化的数据。

其中对PDF文件中的文本信息提取，是整个工程中的基础，直接决定了整个算法抽取的效果。本文会分享一些工作中的尝试。

PDF转xml

主要依赖于 https://github.com/houking-can/PDFConverter 是使用Adobe DC SDK将pdf转换成其他格式的工具,对比下来转换效果要略好于pdfminer的效果

首先要下载Adobe DC  python环境依赖如下：

• python3.5+
• pip install pywin32==223
• BeautifulSoup4
• docx
• xlrd
• lxml

PDF转TXT

pip install pdfminer3k

使用pdfminer，这部分网上代码很多 

ToDo

详细介绍保险条款的转换