使用任何NLP工具从PDF读取表格和图像

Question

在我的一个NLP作业中，我必须阅读PDF文件并从中提取信息。使用Java我能够从PDF中读取文本内容，并能够在文本中应用我们的NLP算法，但我还需要提取PDF中的表格中的信息，我试图阅读它们但不能正确使用它们格式。任何想法如何从PDF文档中读取表格，或任何提示，如果OpenNLP，GATE，Stanford NLP中有任何库可用于实现这些。

Answer 1

不幸的是，作为结构的表不存储在PDF中。您必须应用一些严格的坐标数学来计算/估计表的位置，列的位置以及行的位置。

对于PDF，Apache Tika没有任何特殊的表处理（它适用于MSWord，MSPPT和许多其他格式，但不适用于PDF）。

要从PDF中提取表格作为表格，您可以考虑tabulapdf;另见John Hewson的recommendation。还有一些商业工具可以通过PDF格式提取表格 - Abby Finereader，Nuance * PDF产品。