Специалист по автоматизации извлечения текста из PDF

Что за роль

Нужно обработать набор PDF-файлов с выделяемым текстом и подготовить для каждого отдельный чистый файл .txt. Важно сохранить порядок слов и исходное написание, удалив лишние пробелы, пустые строки, номера страниц, колонтитулы и прочий шум. Выполнение оформлено как проект с конкретными критериями приёмки.

Что предстоит делать

• Извлечь текст из каждого предоставленного PDF и сохранить его в отдельный .txt-файл под исходным именем.
• Удалить двойные и лишние пробелы, пустые строки, номера страниц, верхние и нижние колонтитулы.
• Сохранить заголовки, маркированные и нумерованные списки в читаемом виде.
• Преобразовать таблицы в текстовые строки: одна строка на запись, колонки разделить табуляцией, вертикальной чертой или другим согласованным разделителем.
• Проверить, что итоговый текст сохранён в UTF-8 и открывается без ошибок форматирования в обычном текстовом редакторе.
• Передать краткое описание использованного инструмента, метода или скрипта, чтобы обработку можно было повторить на новых файлах.

Что потребуется

• Практический навык извлечения текста из PDF и последующей очистки результата.
• Умение применять Python, регулярные выражения или подходящие утилиты, например pdfminer.six, Tika либо pdftotext.
• Аккуратная проверка сохранности исходного порядка слов и написания при удалении артефактов форматирования.
• Навык подготовки воспроизводимого скрипта или понятного описания процесса обработки.

Что важно знать

Результат оценивается по каждому файлу и заданным критериям: в тексте не должно остаться номеров страниц, колонтитулов, двойных пробелов и лишних пустых строк; структура заголовков и списков должна сохраниться, а строки таблиц — оставаться читаемыми. Объём набора PDF и конкретный инструмент не указаны; исполнитель может выбрать подходящий способ обработки.