pd3f – PDF文本提取器 超越PDF 实验性使用，请谨慎使用。 pd3f是一个PDF文本提取管道，该管道是自托管，本地优先和基于Docker的。 它借助机器学习来重建原始连续文本。 pd3f可以使用 （Tesseract）进行OCR扫描的PDF，并使用和提取表。 它基于的输出。 Parsr检测文本的层次结构，并将文本拆分为单词，行和段落。 即使Parsr为PDF带来了一些结构，但文本仍然是混乱的，即由于连字符引起的。 底层的Python包尝试通过删除连字符， 行和/或空格来重建原始