首页
/ PyPDF2实战:处理PDF页面文本提取中的重复内容问题

PyPDF2实战:处理PDF页面文本提取中的重复内容问题

2025-05-26 15:48:41作者:邬祺芯Juliet

问题背景

在使用PyPDF2进行PDF文本提取时,开发者经常会遇到一个常见问题:当循环遍历PDF页面提取文本时,发现每次提取的内容不仅包含当前页面的文本,还包含了之前所有页面的文本,导致最终结果出现大量重复内容。这种情况尤其容易出现在SEC(美国证券交易委员会)等机构发布的标准化PDF文档中。

技术分析

这种问题的根源在于PDF文件的特殊结构。许多PDF文档(特别是表单类文档)采用了"层叠"式的文本存储方式:

  1. 页面内容可能存储在多个不同的层中
  2. 部分文本可能位于页面可视区域之外
  3. 某些内容可能被重复引用以提高渲染效率

在SEC的Form ADV文档中,这种设计尤为明显。文档制作者可能为了保持表单结构的一致性,将部分内容放置在非可视区域,而PyPDF2默认会提取所有这些文本内容。

解决方案

要解决这个问题,我们需要使用PyPDF2的"访问者模式"(visitor pattern)来精确控制文本提取的范围。核心思路是:

  1. 定义一个文本访问者函数,在提取每个文本片段时进行位置检查
  2. 只提取位于页面可视区域内的文本
  3. 通过页面媒体框(mediabox)确定可视边界

以下是实现这一方案的完整代码示例:

def get_competitor_mentions_information():
    # 定义访问者函数,只提取可视区域内的文本
    def visitor(content, cm, tm, font_dict, font_size):
        y = cm[5]  # 获取当前文本的垂直位置
        if 0 < y < 1008:  # 设置合理的Y轴范围
            raw_text.append(content)
    
    crd_lst = ['109330', '294670']
    base_url = 'https://reports.adviserinfo.sec.gov/reports/ADV/'
    
    for crd_num in crd_lst:
        url = f'{base_url}{crd_num}/PDF/{crd_num}.pdf'
        r = requests.get(url, stream=True)
        pdf = PdfReader(io.BytesIO(r.content))
        
        # 定义正则表达式模式
        get_vendor_name = r"Name of entity where books and records are kept:(.*?)Number and Street 1:"
        get_vendor_description = r"Briefly describe the books and records kept at this location\.(.*?)(?:Name of entity where books and records are kept:|SECTION 1\.)"
        
        entries = []
        vendors, vendor_descriptions = [], []
        text = ''
        
        for page in pdf.pages:
            raw_text = []
            media_box = page.mediabox
            
            # 使用访问者模式提取文本
            page.extract_text(visitor_text=visitor)
            new_text = ' '.join(raw_text)
            text += new_text
        
        # 应用正则表达式提取目标内容
        vendors += re.findall(get_vendor_name, text, re.DOTALL)
        vendor_descriptions += re.findall(get_vendor_description, text, re.DOTALL)
        
        # 去重处理
        vendors, vendor_descriptions = list(set(vendors)), list(set(vendor_descriptions))
        
        # 根据关键词筛选结果
        keywords = ['ethics', 'compliance']
        for i in range(len(vendors)):
            if any(x in vendor_descriptions[i].lower() for x in keywords):
                entries.append({
                    'vendor_name': vendors[i],
                    'vendor_description': vendor_descriptions[i]
                })

关键技术点

  1. 访问者模式:通过自定义visitor函数,我们可以精确控制哪些文本被提取。函数参数中的cm矩阵包含了文本的位置信息。

  2. 坐标系统理解:PDF使用一个基于点的坐标系统(1点=1/72英寸),需要了解页面的媒体框(mediabox)来确定可视区域。

  3. 文本位置判断:通过检查文本的Y坐标(cm[5])是否在合理范围内(0到1008点),可以过滤掉非可视区域的文本。

  4. 正则表达式优化:针对SEC文档结构设计特定的正则模式,确保准确提取目标字段。

实际应用建议

  1. 调整Y轴范围:不同PDF文档可能有不同的页面尺寸,需要根据实际情况调整Y轴的范围阈值。

  2. 性能考虑:对于大型PDF文档,访问者模式可能会增加处理时间,建议在必要时使用。

  3. 错误处理:添加适当的异常处理,特别是处理网络请求和PDF解析可能出现的错误。

  4. 结果验证:对于关键业务应用,建议人工抽样验证提取结果的准确性。

总结

通过使用PyPDF2的访问者模式,我们成功解决了PDF文本提取中的重复内容问题。这种方法不仅适用于SEC的Form ADV文档,也可以推广到其他具有类似结构的PDF文件处理场景。关键在于理解PDF的内部结构和PyPDF2提供的文本提取机制,从而实现对提取过程的精确控制。

登录后查看全文
热门项目推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
165
2.05 K
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
openHiTLS-examplesopenHiTLS-examples
本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
85
562
leetcodeleetcode
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
60
17
apintoapinto
基于golang开发的网关。具有各种插件,可以自行扩展,即插即用。此外,它可以快速帮助企业管理API服务,提高API服务的稳定性和安全性。
Go
22
0
cjoycjoy
一个高性能、可扩展、轻量、省心的仓颉应用开发框架。IoC,Rest,宏路由,Json,中间件,参数绑定与校验,文件上传下载,OAuth2,MCP......
Cangjie
94
15
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
199
279
giteagitea
喝着茶写代码!最易用的自托管一站式代码托管平台,包含Git托管,代码审查,团队协作,软件包和CI/CD。
Go
17
0
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
954
564