PDFMinerでPDFからテーブルを抽出するには？

Question

私はpdfドキュメントの一部のテーブルから情報を抽出しようとしています。
入力を考えてみましょう：

Title 1 
some text some text some text some text some text 
some text some text some text some text some text 

Table Title 
| Col1   | Col2 | Col3 | 
|---------------|---------|---------| 
| val11   | val12 | val13 | 
| val21   | val22 | val23 | 
| val31   | val32 | val33 | 

Title 2 
some more text some more text some more text some more text 
some more text 
some more text some more text some more text some more text 

私のようなアウトライン/タイトルを取得することができます。

path='myFile.pdf' 
# Open a PDF file. 
fp = open(path, 'rb') 
# Create a PDF parser object associated with the file object. 
parser = PDFParser(fp) 
# Create a PDF document object that stores the document structure. 
# Supply the password for initialization. 
document = PDFDocument(parser, '') 
outlines = document.get_outlines() 
for (level,title,dest,a,se) in outlines: 
    print (level, title) 

これは私に与える：

レベルが整列されるように、完璧です

(1, u'Title 1') 
(2, u'Table Title') 
(1, u'Title 2') 

をテキスト階層。次のように今、私はテキストを抽出することができます。

if not document.is_extractable: 
    raise PDFTextExtractionNotAllowed 
# Create a PDF resource manager object that stores shared resources. 
rsrcmgr = PDFResourceManager() 
# Create a PDF device object. 
laparams = LAParams() 
device = PDFPageAggregator(rsrcmgr, laparams=laparams) 
# Create a PDF interpreter object. 
interpreter = PDFPageInterpreter(rsrcmgr, device) 
# Process each page contained in the document. 
text_from_pdf = open('textFromPdf.txt','w') 
for page in PDFPage.create_pages(document): 
    interpreter.process_page(page) 
    layout = device.get_result() 
    for element in layout: 
     if isinstance(element, LTTextBox): 
      text_from_pdf.write(''.join([i if ord(i) < 128 else ' ' 
              for i in element.get_text()])) 

私を与える：テーブルは列方向の方法で抽出されたように、ビット奇妙です

Title 1 
some text some text some text some text some text some text some text 
some text some text some text some text some text some text some text 
Table Title 
Col1 
val11 
val12 
val13 
Col2 
val21 
val22 
val23 
Col3 
val31 
val32 
val33 
Title 2 
some more text some more text some more text some more text 
some more text 
some more text some more text some more text some more text 

を。私は行ごとにテーブルを取得することは可能でしょうか？さらに、テーブルの開始と終了の場所を特定するにはどうすればよいですか？

Answer 1

あなたが唯一のPDF文書からテーブルを抽出したい場合は、この回答を見て：How to extract table as text from the PDF using Python?

その答えから、私は、複数ページのPDFに広がっ図のテーブルを私のために働いたtabula-pyを試してみました。 tabula-pyはすべてのヘッダーとフッターを適切にスキップしました。これまで同じ種類のドキュメントでPDFMinerを試してみましたが、あなたが言及したのと同じ問題がありました。さらに悪いこともありました。