我正在尝试为公司的年度报告构建一个 pdf 爬虫 - 这些报告是包含大量文本和大量表格的 pdf 文档。
我将 pdf 转换为 txt 没有任何问题，但我的实际目标是搜索某些关键字（例如 REVENUE、PROFIT）并将数据 Revenue 1.000.000.000€ 提取到数据框中。
我尝试了不同的库，尤其是 tabula-py 和 PyPDF2，但我找不到一个聪明的方法来做到这一点 - 任何人都可以帮助制定策略，这将是惊人的！
最好的问候， 罗宾
问问题
73 次
1 回答
0
从 PDF 中提取数据是一项棘手的工作。尽管有PDF 标准，但并非所有 PDF 都是平等的。如果您已经可以以文本形式提取您需要的数据，您可以使用RegEx提取您需要的数据。
亚马逊有一个名为Textract的机器学习工具，您可以将其与 Python 中的boto3 SDK一起使用。但是，这是一种“按次付费”服务。将 Textract 用于正则表达式的主要区别在于，Textract 可以识别和格式化数据对和表格，这意味着如果您的 PDF 发生变化，创建“爬虫”会更快，更不容易中断。
有一个名为Textract的 Python 包，但它与 AWS 中提供的包不同，而是（对于 PDF）使用pdftotext（默认）或pdfminer.six的包装器。值得一试，因为它可能会以更好的格式生成您的数据。
于 2020-06-19T12:54:21.567 回答