EDS-PDF

EDS-PDF提供了一个模块化框架，用于从PDF文档中提取文本信息。

您可以直接使用它，或者扩展它以适应您的特定用例。我们提供了一个管道系统和各种用于可视化和处理PDF的工具，以及多个组件来构建复杂模型。

• 📄 提取器 用于解析PDF（基于 pdfminer, mupdf 或 poppler）
• 🎯 分类器 用于执行文本框分类，以分割PDF
• 🧩 聚合器 用于从检测到的文本框生成聚合输出
• 🧠 可训练层，将机器学习集成到您的管道中（例如，嵌入 块或一个 可训练分类器）

访问 :book: 文档 获取更多信息！

入门

安装

使用pip安装库

pip install edspdf

提取文本

让我们构建一个简单的PDF提取器，它使用基于规则的分类器。有两种方法可以做到这一点，要么使用配置系统，要么使用管道API。

创建一个配置文件

config.cfg

[pipeline]
pipeline = ["extractor", "classifier", "aggregator"]

[components.extractor]
@factory = "pdfminer-extractor"

[components.classifier]
@factory = "mask-classifier"
x0 = 0.2
x1 = 0.9
y0 = 0.3
y1 = 0.6
threshold = 0.1

[components.aggregator]
@factory = "simple-aggregator"

然后从Python加载它

import edspdf
from pathlib import Path

model = edspdf.load("config.cfg")  # (1)

或者直接从Python创建一个管道

from edspdf import Pipeline

model = Pipeline()
model.add_pipe("pdfminer-extractor")
model.add_pipe(
    "mask-classifier",
    config=dict(
        x0=0.2,
        x1=0.9,
        y0=0.3,
        y1=0.6,
        threshold=0.1,
    ),
)
model.add_pipe("simple-aggregator")

然后可以使用这个管道（例如，使用这个PDF）

# Get a PDF
pdf = Path("/Users/perceval/Development/edspdf/tests/resources/letter.pdf").read_bytes()
pdf = model(pdf)

body = pdf.aggregated_texts["body"]

text, style = body.text, body.properties

请参阅基于规则的食谱，以了解每一步的详细解释。

引用

如果您使用EDS-PDF，请按照以下方式引用我们。

@software{edspdf,
  author  = {Dura, Basile and Wajsburt, Perceval and Calliger, Alice and Gérardin, Christel and Bey, Romain},
  doi     = {10.5281/zenodo.6902977},
  license = {BSD-3-Clause},
  title   = {{EDS-PDF: Smart text extraction from PDF documents}},
  url     = {https://github.com/aphp/edspdf}
}

致谢

我们感谢巴黎公立医院援助和AP-HP基金会对该项目的资助。