Question

我有（相同）数据保存为GIF图像文件和PDF文件，我想将其解析为HTML或XML。这些数据实际上是我大学食堂的菜单。这意味着有一个新版本的文件必须每周解析！通常，这些文件包含一些页眉和页脚文本，以及其间包含其他数据的表。我已经阅读了有关stackoverflow的一些帖子，我也开始尝试将表数据解析为HTML / XML：

PDF

PDFBox || iText（Java）
Google文档导入
PDF2HTML || PDF2Table

GIF

超正方体-OCR

我用PDFBox解析PDF文件得到了最好的结果，但仍然（因为菜单每周更改一次），它不够可靠。我收到的HTML有时会包含更多，有时更少的“段落”（<p>），因此我无法准确地解析数据。

这就是为什么我想知道是否有其他方法可以做到这一点？

Answer 1

Tabula是JRuby Web界面上一个非常好的开始，用于从任意PDF中提取CSV / TSV表。

Answer 2

我已经实现了自己的算法（名称为traprange）来解析pdf文件中的表格数据。

以下是一些示例pdf文件和结果：

输入文件：sample-1.pdf，结果：sample-1.html
输入文件：sample-4.pdf，结果：sample-4.html

访问我的项目页面traprange

或我在traprange

Answer 3

如果您希望每周一次从表中提取数据并且您在Windows上，请查看此免费软件pdf实用程序，其中包括自动表检测和表格到CSV，XML转换：PDF Viewer utility。

该实用程序对于非开发人员的商业和非商业用途都是免费的（对于希望通过API自动化的开发人员，还有单独的版本。）

免责声明：我为ByteScout工作

Answer 4

我已经尝试了许多OCR和文本转换器软件，虽然我相信曾经应该编写程序将PDF自动转换为文本，因为执行任务的人员可以更好地理解图像。

我还试图使用谷歌和其他许多公司的在线（约900个网站）和离线（约1000个软件）产品。如果您想从任何方法中提取文本，例如OCR或PDF格式的文本，那么我找到的最准确的程序是PDFTOHTML。 PDFTOHTML的准确率约为98％，Google Online的准确率约为94％。这是一个非常好的软件，它还为您提供正确的文本格式，即文本的粗体，斜体等。

Answer 5

桌子每次都在同一个地方吗？如果你能找到每个盒子的尺寸，你可以使用工具将PDF分割成多个文件，每个文件都包含一个盒子，之后你可以使用你想要的任何工具将每个较小的PDF转换为HTML（例如其他答案中提到的工具）。随机谷歌搜索提升了PyPdf，看起来它可能有一些有用的功能。

如果您无法硬编码盒子的大小（或者想要将问题应用于不同格式的多个菜单），对我来说明显的方法（我说明显，不容易）将是边缘检测到找到表格边框的位置，然后应用我之前谈过的分割。

Answer 6

我最近遇到了类似的问题。

我发现的另一种解决方案是在Adobe中打开PDF文档并将其导出到xml。至少在我的PDF文件中它保留了表格信息，然后我能够以编程方式使用XML来生成表格文件，如excel等。

我遇到的另一个问题是，Adobe只允许您一次导出一个文件，而且我有很多文件。幸运的是Adobe也有一个合并功能。我最终将所有文件合并在一起，然后将它们导出为一个大的XML文件，并使用该文件生成我需要的文件。

Answer 7

您可以使用Camelot从PDF中提取表格并将其导出到HTML文件。还支持CSV，Excel和JSON。您可以在http://camelot-py.readthedocs.io上查看文档。与其他开源表提取工具和库相比，它提供了更准确的结果。这是comparison。

您可以使用以下代码段继续执行任务：

>>> import camelot
>>> tables = camelot.read_pdf('file.pdf')
>>> type(tables[0].df)
<class 'pandas.core.frame.DataFrame'>
>>> tables[0].to_html('file.html')

免责声明：我是图书馆的作者。

Answer 8

用于主要模板的 Tabula 是开放源代码的最佳选择，而 Abbyy PDF 编辑器是用于企业级pdf数据提取和修改的出色解决方案。 Abbyy负责OCR。

Tabula有两个选项可以自动检测表格，另一个选项是通过提供坐标手动进行。

PDF表格提取

8 个答案: