PyPDF2实战:处理PDF页面文本提取中的重复内容问题
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:
- 页面内容可能存储在多个不同的层中
- 部分文本可能位于页面可视区域之外
- 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:
- 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
- 只提取位于页面可视区域内的文本
- 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
-
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。
-
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。
-
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。
-
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
-
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。
-
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。
-
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。
-
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。
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-OCR暂无简介Python00
openPangu-Ultra-MoE-718B-V1.1昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00
HunyuanWorld-Mirror混元3D世界重建模型,支持多模态先验注入和多任务统一输出Python00
AI内容魔方AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。03
Spark-Scilit-X1-13BFLYTEK Spark Scilit-X1-13B is based on the latest generation of iFLYTEK Foundation Model, and has been trained on multiple core tasks derived from scientific literature. As a large language model tailored for academic research scenarios, it has shown excellent performance in Paper Assisted Reading, Academic Translation, English Polishing, and Review Generation, aiming to provide efficient and accurate intelligent assistance for researchers, faculty members, and students.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile013
Spark-Chemistry-X1-13B科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00