python - 如何在数千个 PDF 文件中抓取表格？

Question

我有大约 1'500 个 PDF，每个仅包含 1 页，并且具有相同的结构（例如，请参阅http://files.newsnetz.ch/extern/interactive/downloads/BAG_15m_kzh_2012_de.pdf）。

我正在寻找的是一种遍历所有这些文件的方法（如果可能，在本地）并提取表的实际内容（作为 CSV，存储到 SQLite DB 中，等等）。

我很想在 Node.js 中执行此操作，但找不到任何合适的库来解析此类内容。你知道吗？

如果在 Node.js 中不可能，如果有更好的方法可用，我也可以用 Python 编写代码。

Answer 1

我以前不知道这一点，但less有这种神奇的阅读pdf文件的能力。我能够使用此脚本从您的示例 pdf 中提取表格数据：

import subprocess
import re

output = subprocess.check_output(["less","BAG_15m_kzh_2012_de.pdf"])

re_data_prefix = re.compile("^[0-9]+[.].*$")
re_data_fields = re.compile("(([^ ]+[ ]?)+)")
for line in output.splitlines():
    if re_data_prefix.match(line):
        print [l[0].strip() for l in re_data_fields.findall(line)]