我有一堆PDF - 可能有数百或数千 . 它们的格式不一样，但是它们中的任何一个都可能有一个或多个表，其中包含我想要收集到单独数据库中的有趣信息 .
当然，我知道我必须写一些东西来做这件事 . Perl是我的选择 - 或者也许是Java . 我不关心什么语言，只要它是免费的（或者在免费试用期间便宜以确保它适合我的目的） .
我正在看CAM :: Parse（使用草莓Perl），但我不确定如何使用它来定位和提取文件中的表 . 我想我确实偏爱Perl，但实际上我想要一些可靠的工作，并且相当容易进行字符串操作 .
这样的事情有什么好办法？我是第一个，所以如果java（或python等）有更好的钩子，现在是了解它的好时机 . 一般指针好;首选代码将是首选代码 .
1 回答
PDF format from its inception （超过20年前） never was intended to be host of extractable, meaningfully structured data .
其目的是成为文件中文本，图像和图表的可靠直观表示 - 一种数字纸张（也可以通过打印可靠地转移到真实纸张上） . 仅在其开发后期才添加了更多功能，这有助于再次提取数据（谷歌标记为PDF） .
有关从PDF中抓取数据表时出现问题的一些示例，请参阅此文章：
Why Updating Dollars for Docs Was So Difficult
Contradicting my point '1.' above ，现在我这样说：对于一个惊人的工具系列，每周都会越来越好，从PDF中提取表格数据（除非它们是扫描页面），请参阅以下链接：
Introducing Tabula: Upload a PDF, get back tabular CSV data. Poof!
Tabula-Extractor: A Command Line Interface to Tabula
Tabula source code repository
Tabula API (upcoming, not ready yet)
所以：去寻找Tabula . 如果任何工具可以做你想要的，那么Tabula可能是最好的工作！
更新
我最近创建了一个ASCiinema screencast，演示如何使用Tabula命令行界面从PDF中提取一个大表格作为CSV：
（单击上面的图像查看它正在运行 . 如果它运行得太快，您无法读取所有文本，请使用"Pause"按钮（ || -symbol） . ）
它在这里托管：