基于python的PDF文件解析器汇总

基于python的PDF文件解析器汇总

大多数已发表的科学文献目前以 PDF 格式存在，这是一种轻量级、普遍的文件格式，能够保持一致的文本布局和格式。对于人类读者而言， PDF格式的文件内容展示整洁且一致的布局有助于阅读，可以很容易地浏览一篇论文并识别标题和图表。但是对于计算机而言，PDF 格式是一个非常嘈杂的 ASCII 文件，并不包含任何结构化文本的信息。因此，我们期望从这些已经发表的PDF格式科学文献中重新提取文字、图片、表格、注释、目录等数据来构建格式化的信息用于机器学习，例如目前最需要大量文本数据的自然语言处理（Natural Language Processing, NLP）或大语言模型(Large Language Modles ,LLMs)等应用中。

---

1. Nougat

Nougat (Neural Optical Understanding for Academic Documents)是Meta出品的一款基于ViT（Visual Transformer）的模型，通过光学字符识别（Optical Character Recognition, OCR）将科学论文转化为标记语言。

• 最新发布时间：2023年8月22日

• GitHub address: GitHub - facebookresearch/nougat: Implementation of Nougat Neural Optical Understanding for Academic Documents

• Project page: Nougat

1.1 安装

安装之前的一些依赖与要求如下：

python_requires=“>=3.7”,
“transformers=4.38.2”,
“timm==0.5.4”,
“orjson”,
“opencv-python-headless”,
“datasets[vision]”,
“lightning>=2.0.0,<2022”,
“nltk”,
“python-Levenshtein”,
“sentencepiece”,
“sconf>=0.2.3”,
“albumentations>=1.0.0”,
“pypdf>=3.1.0”,
“pypdfium2”

安装：

#创建一个新环境
conda create -n nougat python=3.9
#激活该环境
conda activate nougat

# from pip:
pip install nougat-ocr

# or from github repository
pip install git+https://github.com/facebookresearch/nougat

1.2 测试

nougat path/to/file.pdf --out output_directory

1.3 用法

usage: nougat [-h] [--batchsize BATCHSIZE] [--checkpoint CHECKPOINT] [--model MODEL] [--out OUT]
              [--recompute] [--markdown] [--no-skipping] pdf [pdf ...]

positional arguments:
  pdf                   PDF(s) to process.

options:
  -h, --help            show this help message and exit
  --batchsize BATCHSIZE, -b BATCHSIZE
                        Batch size to use.
  --checkpoint CHECKPOINT, -c CHECKPOINT
                        Path to checkpoint directory.
  --model MODEL_TAG, -m MODEL_TAG
                        Model tag to use.
  --out OUT, -o OUT     Output directory.
  --recompute           Recompute already computed PDF, discarding previous predictions.
  --full-precision      Use float32 instead of bfloat16. Can speed up CPU conversion for some setups.
  --no-markdown         Do not add postprocessing step for markdown compatibility.
  --markdown            Add postprocessing step for markdown compatibility (default).
  --no-skipping         Don't apply failure detection heuristic.
  --pages PAGES, -p PAGES
                        Provide page numbers like '1-4,7' for pages 1 through 4 and page 7. Only works 

1.4 优劣限制

• 1. Nougat模型的训练数据几乎全是英文文献，因此对非英文文字的识别有待考证。特别是中文与英文和拉丁文体相差较大，因此中文文献的识别准确率很差，几乎不能用。
• 2. 依旧是训练数据，训练数据全部为科学论文（来自于arXiv、PMC和IDL），因此对科学论文的识别精度较高，除此之外的PDF文档的识别效率依旧有待考证和进一步的优化。
• 3. 由于这种方法是基于深度学习算法，因此在识别PDF文档时不可避免的需要使用GPU算力，且通常比经典方法（GROBID ）要慢。

---

2. ScienceBeam Parser

• Githu address：ScienceBeam

2.1 安装

pip install sciencebeam-parser

2.2 测试

Python API: 服务器启动

from sciencebeam_parser.config.config import AppConfig
from sciencebeam_parser.resources.default_config import DEFAULT_CONFIG_FILE
from sciencebeam_parser.service.server import create_app

config = AppConfig.load_yaml(DEFAULT_CONFIG_FILE)
app = create_app(config)
app.run(port=8080, host='127.0.0.1', threaded=True)

Python API: 解析PDF文件

from sciencebeam_parser.resources.default_config import DEFAULT_CONFIG_FILE
from sciencebeam_parser.config.config import AppConfig
from sciencebeam_parser.utils.media_types import MediaTypes
from sciencebeam_parser.app.parser import ScienceBeamParser

config = AppConfig.load_yaml(DEFAULT_CONFIG_FILE)

# the parser contains all of the models
sciencebeam_parser = ScienceBeamParser.from_config(config)

# a session provides a scope and temporary directory for intermediate files
# it is recommended to create a separate session for every document
with sciencebeam_parser.get_new_session() as session:
    session_source = session.get_source(
        'example.pdf',
        MediaTypes.PDF
    )
    converted_file = session_source.get_local_file_for_response_media_type(
        MediaTypes.TEI_XML
    )
    # Note: the converted file will be in the temporary directory of the session
    print('converted file:', converted_file)

---

3. pdfrw

3.1 安装

pip install pdfrw

3.2 测试

from pdfrw import PdfReader
def get_pdf_info(path):
    pdf = PdfReader(path)

    print(pdf.keys())
    print(pdf.Info)
    print(pdf.Root.keys())
    print('PDF has {} pages'.format(len(pdf.pages)))

if __name__ == '__main__':
    get_pdf_info('example.pdf')

---

4. PDFQuery

4.1 安装

pip install pdfquery

4.2 测试

from pdfquery import PDFQuery

pdf = PDFQuery('example.pdf')
pdf.load()

# Use CSS-like selectors to locate the elements
text_elements = pdf.pq('LTTextLineHorizontal')

# Extract the text from the elements
text = [t.text for t in text_elements]

print(text)

---

5. pdfminer.six

• GitHub address：pdfminer.six

• 最新发布时间：2023年12月28日

5.1 安装

pip install pdfminer.six

5.2 测试

from pdfminer.high_level import extract_text

text = extract_text("example.pdf")
print(text)

5.3 功能

• 支持各种字体类型（Type1、TrueType、Type3 和 CID）。
• 支持提取图像（JPG、JBIG2、Bitmaps）。
• 支持各种压缩方式（ASCIIHexDecode、ASCII85Decode、LZWDecode、FlateDecode、RunLengthDecode、CCITTFaxDecode）。
• 支持 RC4 和 AES 加密。
• 支持提取 AcroForm 交互式表单。
• 提取目录。
• 提取标记内容。
• 自动布局分析。

---

6. SciPDF Parser

基于GROBID (GeneRation Of BIbliographic Data))

• Github address: SciPDF Parser

• 最新发布时间：

6.1 安装

# from pip
pip install scipdf-parser

# or from github respository
pip install git+https://github.com/titipata/scipdf_parser

6.2 测试

在解析PDF之前需要先运行GROBID

bash serve_grobid.sh

该脚本将会运行 GROBID在默认端口：8070
以下为python 解析PDF文件的脚本。

import scipdf
article_dict = scipdf.parse_pdf_to_dict('example_data/futoma2017improved.pdf') # return dictionary

# option to parse directly from URL to PDF, if as_list is set to True, output 'text' of parsed section will be in a list of paragraphs instead
article_dict = scipdf.parse_pdf_to_dict('https://www.biorxiv.org/content/biorxiv/early/2018/11/20/463760.full.pdf', as_list=False)

# output example
>> {
    'title': 'Proceedings of Machine Learning for Healthcare',
    'abstract': '...',
    'sections': [
        {'heading': '...', 'text': '...'},
        {'heading': '...', 'text': '...'},
        ...
    ],
    'references': [
        {'title': '...', 'year': '...', 'journal': '...', 'author': '...'},
        ...
    ],
    'figures': [
        {'figure_label': '...', 'figure_type': '...', 'figure_id': '...', 'figure_caption': '...', 'figure_data': '...'},
        ...
    ],
    'doi': '...'
}

xml = scipdf.parse_pdf('("example.pdf', soup=True) # option to parse full XML from GROBID

---

7. pdfplumber

• GitHub address: pdfplumber

• 最新发布时间：2024年3月7日

7.1 安装

pip install pdfplumber

7.2 测试

pdfplumber < example.pdf > background-checks.csv

7.3 用法

参数	描述
--format [format]	csv or json. The json format returns more information; it includes PDF-level and page-level metadata, plus dictionary-nested attributes.
--pages [list of pages]	A space-delimited, 1-indexed list of pages or hyphenated page ranges. E.g., 1, 11-15, which would return data for pages 1, 11, 12, 13, 14, and 15.
--types [list of object types to extract]	Choices are char, rect, line, curve, image, annot, et cetera. Defaults to all available.
--laparams	A JSON-formatted string (e.g., '{"detect_vertical": true}') to pass to pdfplumber.open(..., laparams=...).
--precision [integer]	The number of decimal places to round floating-point numbers. Defaults to no rounding.

7.4 python package usage

import pdfplumber

with pdfplumber.open("example.pdf") as pdf:
    first_page = pdf.pages[0]
    print(first_page.chars[0])

---

8. borb

8.0 简介

borb 是一个纯 Python 库，用于读取、写入和操作 PDF 文档。它将 PDF 文档表示为嵌套列表、字典和基本数据类型（数字、字符串、布尔值等）的类似 JSON 的数据结构。

• Github address: borb

• 最新发布时间：2024年5月

8.1 安装

• 下载地址: borb · PyPI

# from pip
pip install borb

# reinstalled the latest version (rather than using its internal cache)
pip uninstall borb
pip install --no-cache borb

8.2 测试（创建pdf）

from pathlib import Path

from borb.pdf import Document
from borb.pdf import Page
from borb.pdf import SingleColumnLayout
from borb.pdf import Paragraph
from borb.pdf import PDF

# create an empty Document
pdf = Document()

# add an empty Page
page = Page()
pdf.add_page(page)

# use a PageLayout (SingleColumnLayout in this case)
layout = SingleColumnLayout(page)

# add a Paragraph object
layout.add(Paragraph("Hello World!"))

# store the PDF
with open(Path("output.pdf"), "wb") as pdf_file_handle:
    PDF.dumps(pdf_file_handle, pdf)

8.3 功能

• 读取PDF并提取元信息
• 修改元信息
• 从PDF中提取文本
• 从PDF中提取图像
• 改变PDF中的图像
• 向PDF添加注释（笔记、链接等）
• 向PDF添加文本
• 向PDF添加表格
• 向PDF添加列表
• 使用页面布局管理器

---

9. PyPDF4

• Github address：PyPDF4

• 最新发布时间：2018年8月8日

9.1 安装

pip install pypdf

9.2 测试

from pypdf import PdfReader

reader = PdfReader("example.pdf")
page = reader.pages[0]
print(page.extract_text())