我有一个 PDF 文件。
它包含表格格式的数据。我想使用逗号作为列分隔符将数据提取到逗号分隔的文本文件中。
有什么建议么？
问问题
545 次
1 回答
4
标准 PDF 不提供有关它们在页面上绘制的语义的任何提示：语法提供的唯一区别是矢量元素（线条、填充...）、图像和文本之间的区别。
通过解析 PDF 源代码以编程方式识别任何字符是否是表格的一部分或行的一部分，或者只是在其他空白区域内的孤独的单个字符都不容易。
有关为什么PDF 文件格式不应该被认为适合托管可提取的结构化数据的背景，请参阅这篇文章：
为什么为文档更新美元如此困难（ProPublica-Website）
说了上面的话，现在让我补充一下：
对于一个令人惊叹的开源工具系列，它每周都在从 PDF 中提取表格数据（除非它们是扫描页面）变得越来越好——这与我在介绍性段落中所说的相矛盾！- 查看TabulaPDF。请参阅以下链接：
Tabula 是用 Ruby 编写的。
更新
这是一个 ASCIinema 截屏视频（您也可以借助命令行工具在 Linux/MacOSX/Unix 终端本地下载asciinema和重播），主演tabula-extractor：
于 2015-04-15T08:48:46.973 回答