如何自动从给定文档（docx、pdf 等）中提取相关标题？

一些想法：

• 直觉上可能是文本的第一行
• 不能是日期、“保留所有权利”、“哈佛大学 - 法学院”等。
• 可能在页脚
• 人脑立即解决了这个问题（通过过滤掉常见的名称和数字）

我在 python 中使用 textract 来提取整个文本，这将解决方案限制为仅基于文本。如果您熟悉任何其他软件包，请告诉我。