Pythonを使用してPDFの特定の領域からテキストを抽出する方法は？
Pythonを使用してPDFからテキストを抽出しようとしていますが、次のようにPyPDF2を使用して正常に抽出できました。
import PyPDF2
pdfFileObj = open('path', 'rb')
pdfReader = PyPDF2.PdfFileReader(pdfFileObj)
pageObj = pdfReader.getPage(0)
pageObj.extractText()
これにより、ページからすべてのテキストが抽出されますが、ページの左上部分にある3'x4 'の長方形の領域からのみテキストを抽出したいと思います。
私は基本的に次のようなことをしたいです： 特定の長方形の領域内のPDFドキュメントからテキストを抽出する方法？ しかしPythonで
これは、PyPDF2または他のPythonライブラリで実行できますか？
これはかなり複雑なトピックですが、可能です。まず、PDF形式の説明に精通する必要があります。
開始 ここ たとえば。
テキストボックスの場所と内容を識別し、文字列データを抽出できます。
This トピックには、以前のバージョンのPyPDF2であるpyPdfの例が含まれていますが、構文は似ています。間接オブジェクトを反復処理する方法の例があります。
開始するのに適した場所は、使用した関数 pageObj.extractText（） のソースでもあります。
Pythonに制限されていない場合： PDFからテキストを抽出する方法は？
iText RUPS のようなツールを使用してPDFを検査することもできます。これは、コンテンツがどのようにレンダリングされ、ページに配置されるかを示しています。
その後、要素を識別して対処し、それらのコンテンツを抽出できるようになります。