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:
-
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?
7 回答
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 .
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:
免责声明:我是图书馆的作者 .
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 .
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:
输入文件:sample-1.pdf,结果:sample-1.html
输入文件:sample-4.pdf,结果:sample-4.html
访问我的项目页面traprange
或者我的文章traprange
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
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 .
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 .