pppdf(PaddlePaddlePDF)项目是一个为了实现pdf内容提取的项目
阶段目标
- 实现文字提取,实现pdf2txt;
- 实现章节信息提取,转换为markdown格式;
- 实现图片信息提取,转换为markdown格式;
- 实现ipad笔记的提取(GoodNotes5)
fitz 0.0.1.dev2
PyMuPDF 1.23.22
PyMuPDFb 1.23.22
似乎这个库仅仅提供了对pdf的文本、图像、pdf本身,三个事物的解析,pdf本身的解析是指,依据pdf规范所允许的交叉引用与对象信息的解读,如果不是文本和标准图像,那么这样子的对象,PyPDF 只提供该对象的索引或box信息,而不帮你做该对象的读取与解析,而需要你自行去二进制读取处理。
为了更好的理解pdf中的非文本和非图像的对象,需要下载pdftk工具. 感觉这个工具似乎也没啥用