pythonでPDFをテキストマイニングする際に特異なフォーマットだとうまくいかない

Question

例えば以下のような見開きが1ページとなっているようなPDFをpythonのPDFminerでテキストマイニングしようとすると、
図の赤線のように別のページにわたって1文のように認識されてしまいます。
これをうまく回避する方法はありませんか？

よろしくお願いいたします。

https://www.naruto-u.ac.jp/center/celees/en/activitybook/pdf/activity_2.pdf

Answer 1

pdfplumberでcropで範囲指定後.extract_textでテキスト取得でできる

https://github.com/jsvine/pdfplumber

Comments

[artg]

ありがとうございます。
ちなみに、1つのPDFファイルでも見開きであったり、通常の1ページであったりが混在しているのですが、これを自動で振り分けるのは難しいですよね？

[barobaro]

最長の文字の長さがページの半分以上で振り分けれるのでは