首页 文章

PDF表格提取

提问于
浏览 次
12

我有（相同）数据保存为GIF图像文件和PDF文件，我想将其解析为HTML或XML . 这些数据实际上是我大学食堂的菜单 . 这意味着有一个新版本的文件必须每周解析！通常，这些文件包含一些页眉和页脚文本，以及一个充满其他数据的表 . 我已经阅读了有关stackoverflow的一些帖子，我也开始尝试将表数据解析为HTML / XML：

PDF

  • PDFBox || iText（Java）

  • Google文档导入

  • PDF2HTML || PDF2Table

GIF

  • Tesseract-OCR

通过使用PDFBox解析PDF文件，我得到了最好的结果，但仍然（因为菜单每周更改），它不够可靠 . 我收到的HTML有时包括更多，有时更少"paragraphs"（ <p> ），因此我无法对数据进行足够的解析 .

这就是为什么我想知道是否有其他方法可以做到这一点？

pdf pdfbox extraction

7 回答

  • 0

    我最近遇到了类似的问题 .

    我发现的另一种解决方案是在Adobe中打开PDF文档并将其导出到xml . 至少在我的PDF中它保留了表信息，然后我能够以编程方式使用XML来生成表格文件，如excel等 .

    我遇到的另一个问题是，Adobe只允许您一次导出一个文件，而且我有很多文件 . 幸运的是Adobe也有一个合并功能 . 我最终将所有文件合并在一起，然后将它们导出为一个大的XML文件，并使用该文件生成我需要的内容 .

    回复于
  • 8

    您可以使用Camelot从PDF中提取表格并将其导出为HTML文件 . 还支持CSV，Excel和JSON . 您可以在以下位置查看文档：http://camelot-py.readthedocs.io . 与其他开源表提取工具和库相比，它提供了更准确的结果 . 这是comparison .

    您可以使用以下代码段继续执行任务：

    >>> import camelot
>>> tables = camelot.read_pdf('file.pdf')
>>> type(tables[0].df)
<class 'pandas.core.frame.DataFrame'>
>>> tables[0].to_html('file.html')

    免责声明：我是图书馆的作者 .

    回复于
  • 10

    Tabula是JRuby Web界面上一个非常好的开始，用于从任意PDF中提取CSV / TSV表 .

    回复于
  • 0

    我已经实现了自己的算法（名称为 traprange ）来解析pdf文件中的表格数据 .

    以下是一些示例pdf文件和结果：

    访问我的项目页面traprange

    或者我的文章traprange

    回复于
  • 0

    如果您希望每周一次从表中提取数据并且您在Windows上，请查看此免费软件pdf实用程序，其中包括自动表检测和表格到CSV，XML转换：PDF Viewer utility .

    对于非开发人员，该实用程序对于商业和非商业用途都是免费的（对于希望通过API自动化的开发人员，还有单独的版本） .

    免责声明：我为ByteScout工作

    回复于
  • 3

    我已经尝试了许多OCR和文本转换器软件，虽然我相信曾经应该编写程序将PDF自动转换为文本，因为执行任务的人员可以更好地理解图像 .

    我还试图使用谷歌和许多其他公司的在线（约900个网站）和离线（约1000个软件）产品 . 如果要从任何方法（如OCR或PDF中的文本）中提取文本，那么我找到的最准确的程序是PDFTOHTML . PDFTOHTML的准确率约为98％，Google Online的准确率约为94％ . 它是一个非常好的软件，它也为您提供正确的文本格式，即文本的粗体，斜体等 .

    回复于
  • 2

    table 每次都在同一个地方吗？如果你能找到每个盒子的尺寸，你可以使用工具将PDF分割成多个文件，每个文件都包含一个盒子，之后你可以使用你想要的任何工具将每个较小的PDF转换为HTML（例如其他答案中提到的工具） . 随机谷歌搜索拉起PyPdf，看起来它可能有一些有用的功能 .

    如果你不能硬编码盒子的大小（或者想要将问题应用于不同格式的多个菜单），对我来说明显的方法（我说明显，不容易）将是边缘检测找到的地方表的边界将是，然后应用我之前谈过的分裂 .

    回复于

相关问题