如何从PDF文件中的表格中提取数据？

Question

我有一个包含表格的PDF文件，格式如下：

现在；我需要从每一行的特定列中提取数据以插入数据库中。 如何仅使用javascript或python提取所需的列？

我已经尝试过手动方式，但这还不够。

我希望将原始数据放入变量（数组或列表）中。

========================================== 更新：

我决定使用python，该库的名称为tabula；我使用pip安装了它：

pip install tabula-py

您将pdf传递给库并指定表的页面。我的问题中表格的输出看起来像是这样：

Answer 1

您可以尝试AWS Textract。它具有提取表的功能，可将数据作为csv / json格式提供。

您可以详细了解here

Answer 2

我用pdfjs-dist提取了pdf中的项目，并应用了一些规则来标识表格元素。提取的项目不仅具有文本信息，而且还具有一个名为“ transform”（变换矩阵）的属性，该属性包含坐标信息，该信息也可以用于标识表格元素。

第一件事是查找表的开头。在许多情况下，标题都是相同的，因此您可以利用这些单词来查找开头。行中的第一个表格元素可以共享相同的坐标，这也可以提供表格开始的线索。在确定表的开头之后，由于所有表都是固定宽度的，因此可以将项目划分为某些列。请注意，单个单元格中可能有多个行，因此您需要将它们合并。