タイトルのようなことをしてみたくて、方法を探したところ以下のようなやり方が見つかりました。https://github.com/allenai/pdffigures2
しかし、Scalaベースで書いてあり、できればPythonで動かせるプログラムがないか探しております。何かおすすめありましたら、教えていただけると助かります。
1 件の回答
質問にあった Scala のプログラムを Python から呼び出すプログラムが公開されています。
それ自身が論文のための実験コードで、実用ではないと書いてありますが、参考になるかもしれません。
他はセットで抜き出せるかは不明ですが、PDFminerとPyPDF2あたりが有名そうな感じです。
PDFminer
PythonでPDFからテキストを抽出する方法 / PythonでPDFからjpeg画像を抽出する方法
【PDFMiner】PDFからテキストの抽出 / PDFからテキストデータをうまく抜けるかの検証結果のご報告(pdfminer.six)/PythonPyPDF2
pythonでPDFから画像の抽出する備忘録
Extracting PDF Metadata and Text With Python
How to robustly extract author names from pdf papers?
Pythonによるツールの特集記事です。
Working with PDFs in Python: Reading and Splitting Pages
Pythonに限らず、色々なツールが紹介されているQ&A記事がありました。
Extracting information from PDFs of research papers closed
Cで書いたツールの集合とかもあります。
XpdfReader