我有一个非常大的 PDF 文件（200,000 KB 或更多），其中包含一系列只包含表格的页面。我想以某种方式使用 Ruby 解析这些信息，并将结果数据导入 MySQL 数据库。
有谁知道将这些数据从 PDF 中提取出来的任何方法？数据按以下方式格式化：
姓名 | 地址 | 现金报告 | 报告年份 | 持有人名称
有时，名称字段会溢出到地址字段中，在这种情况下，剩余的列将显示在下一行。
由于格式不规则，我一直在弄清楚这一点。至少，有人可以为我指出一个 Ruby PDF 库来完成这项任务吗？
更新：我不小心提供了不正确的信息！文件的实际大小为 300 MB，即 300,000 KB。我在上面进行了更改以反映这一点。
我假设在 Acrobat Reader 或其他 PDF 查看器中打开 PDF 时，您可以毫无问题地复制粘贴文本片段？
在尝试以编程方式从此类怪物文件中解析和提取文本之前（即使它只有 200 MB——对于 huuuuge 表中的简单文本，除非你有 200000 页......），我会这样继续：
这是几分钟的事情。编写一个 Ruby 程序来完成这项工作肯定需要几个小时、几天或几周的时间（取决于您对 PDF 文件格式内部结构的了解……我怀疑您还没有太多经验）。
如果“2”。工作，你可能已经完成了一半。如果它有效，您也知道使用 Ruby 以编程方式执行它是一项原则上可以解决的工作。如果“2”。不起作用，您知道以编程方式实现可能非常困难。
我建议使用Ghostscript。如果您可以访问 Adobe Acrobat Distiller，您也可以使用它。
gswin32c.exe ^
-o Monster-PDF-sanitized ^
-sDEVICE=pdfwrite ^
-f Monster.pdf
（我很好奇与输入相比，单个命令会使您的输出 PDF 缩小多少。）
我建议首先尝试pdftotext.exe（来自 XPDF 人）。还有其他一些更不方便的方法，但这可能已经完成了这项工作：
pdftotext.exe ^
-f 1 ^
-l 10 ^
-layout ^
-eol dos ^
-enc Latin1 ^
-nopgbrk ^
Monster-PDF-sanitized.pdf ^
first-10-pages-from-Monster-PDF-sanitized.txt
这不会提取所有页面，而只会提取 1-10 个（用于概念证明，看看它是否有效）。要从每个页面中提取，只需省略-f 1 -l 10参数即可。您可能需要通过将参数更改为-enc ASCII7(或UTF-8, UCS-2) 来调整编码。
如果这不是快速简单的方法（因为有时会发生，原始 PDF 中的某些字体使用“自定义编码向量”），您应该提出一个新问题，描述您迄今为止发现的详细信息。然后你需要使用更大的口径来解决这个问题。
至少，有人可以为我指出一个 Ruby PDF 库来完成这项任务吗？
如果您还没有这样做，您应该查看前面的两个问题：“ Ruby：阅读 PDF 文件”和“ ruby pdf parsing gem/library ”。PDF::Reader、PDF::Toolkit和Docsplit是一些比较流行的建议库。甚至有人建议使用 JRuby 和一些 Java PDF 库解析器。
我不确定这些解决方案中的任何一个是否真的适合您的问题，尤其是您正在处理如此巨大的 PDF 文件。因此，除非有人提供更丰富的答案，否则也许您应该选择一两个库并带它们进行试驾。
检查 PDF 中是否有结构化内容。我在http://www.jpedal.org/PDFblog/?p=410写了一篇博客文章对此进行了解释
如果没有，您将需要构建它。
这将是一项艰巨的任务，因为渲染的 PDF 没有表格布局的概念，只有预定位置的行和文本。可能无法确定什么是行和什么是列，但这可能取决于 PDF 本身。
java 库是最健壮的，并且可以做的不仅仅是提取文本。所以我会研究 JRuby 和 iText 或 PDFbox。
也许是虾红宝石库？链接文本