Question

我的公司通过Excel从外部公司接收数据。我们将其导出到SQL Server以运行数据报告。它们现在正在改为PDF格式，有没有办法可靠地从PDF中移植数据并将其插入我们的SQL Server 2008数据库？

这是否需要编写应用程序，或者是否有自动执行此操作的方式？

Answer 1

如前所述 - 必须编写应用程序才能执行此操作，但理想情况下，您可以从外部公司获取原始数据，而不必处理PDF。

但是，如果您做想要从PDF中提取数据，我使用iText 并发现它非常强大，可靠~~，最重要的是 - 免费。它有Java和.Net风格 - iTextSharp是.Net版本。它允许您以编程方式操作PDF文档，它会将PDF的内容暴露给您编写的应用程序。~~

Answer 2

这完全取决于他们如何在PDF中包含数据。一般来说，这里有两种可能的情况：

数据只是PDF中的文本对象。您需要使用工具从PDF中提取文本，然后将其插入数据库。
数据包含在PDF格式的表单字段中。您需要使用工具从表单字段中提取数据并将其插入数据库。

希望情景＃2适用于您，因为这正是PDF表单的设计目标。场景＃1实际上只是一个你只能使用的黑客，如果你没有任何其他选择。从PDF中提取纯文本并不像您期望的那样简单或准确。

如果您收到PDF表单，那么您需要做的就是将PDF表单中的正确字段与数据库中的相应字段匹配，然后填入数据。如果您编写自己的应用程序，则此过程可以完全自动化。

这需要编写应用程序或是否有自动化的方式此？

是的，这两个选项都需要编写应用程序或购买应用程序。如果您编写自己的应用程序，则需要找到支持从表单字段检索数据或从PDF中提取文本的第三方PDF库。

Answer 3

免责声明：我与ByteScout PDF Extractor SDK工具

的制造商有联系

只想分享一些从PDF中提取文本数据的其他现实场景：

没有可搜索文本的扫描图像：应由OCR引擎处理（如Google的免费Tesseract）
XFA forms：它是PDF的子集，主要由Adobe工具支持。但是，可以使用低级PDF处理工具（如iTextSharp或类似工具）将数据提取为XML数据。
ZUGFeRD PDF文件只是PDF文档，其中包含作为XML文件附加的表单数据的副本（可以使用this等工具提取）
某些PDF生成器错误地编码了文本（可以通过OCR引擎恢复，但有一些可接受的错误率）。

Answer 4

使用ItextSharp，执行以下操作

using System;
using System.Configuration;
using System.Data.SqlClient;
using System.IO;
using System.Text;
using iTextSharp.text.pdf;

   protected void BtnSubmit_Click(object sender, EventArgs e)
        {
            String FilePath = @"GetFilePath";
            StringBuilder sb = new StringBuilder();

            PdfReader reader = new PdfReader(FilePath);           
            PdfStamper myStamp = new PdfStamper(reader, new FileStream(FilePath + "_TMP",    FileMode.Create));
            AcroFields form = myStamp.AcroFields;

            if (form.GetField("GetFieldIdFromPDF") != null)
               sb.Append(form.GetField("GetFieldIdFromPDF").ToString());
   }

Answer 5

我认为你必须为此编写一个应用程序。这个问题谈到了extracting data from PDF。在此之后，您可以将数据导出为Excel格式，以便保留现有的导入格式。

Answer 6

查找有关“刮取”PDF中数据的信息。我相信Adobe有一些工具允许你为简单的文本做这个，但我没有使用它们。

老实说，我会尝试尽一切可能从您的供应商那里以原始格式获取这些数据。

如何从PDF中提取数据？

6 个答案: