从PDF文件集合中提取表格内容

Question

我有一堆PDF - 可能有数百或数千。它们的格式不一样，但是它们中的任何一个都可能有一个或多个表，其中包含有趣的信息，我想将它们收集到一个单独的数据库中。

当然，我知道我必须写一些东西才能做到这一点。 Perl是我的选择 - 或者也许是Java。我不关心什么语言，只要它是免费的（或者在免费试用期间便宜以确保它适合我的目的）。

我正在研究CAM :: Parse（使用草莓Perl），但我不确定如何使用它来定位和提取文件中的表。我想我确实偏爱Perl，但我真的想要一些可靠的东西，并且很容易用字符串操作。

对于这样的事情，有什么好方法？我是第一个，所以如果java（或python等）有更好的钩子，现在是了解它的好时机。一般指针好;首选代码将是首选代码。

Answer 1

1. PDF格式从一开始 （超过20年前） 从未打算成为可提取的，有意义的结构数据 即可。

2. 它的目的是成为文件中文本，图像和图表的可靠视觉表示 - 一种数字纸张（也可以通过打印可靠地转移到真实纸张上）。仅在其开发的后期才添加了更多功能，这有助于再次提取数据（谷歌的标记PDF ）。

3. 有关PDF中数据抓取表时出现问题的一些示例，请参阅此文章：

   • 的 Why Updating Dollars for Docs Was So Difficult
     

4. 矛盾我的观点'1.'上面 ，现在我这样说：对于一个惊人的工具系列，每周都会越来越好，从PDF中提取表格数据（除非它们是扫描页面），请参阅以下链接：

   • 的 Introducing Tabula: Upload a PDF, get back tabular CSV data. Poof!
   • 的 Tabula-Extractor: A Command Line Interface to Tabula
   • 的 Tabula source code repository
   • 的 Tabula API (upcoming, not ready yet)

所以：去寻找Tabula。如果任何工具可以做你想要的，那么Tabula可能是最好的工作！

---

更新

我最近创建了一个ASCiinema screencast，演示如何使用Tabula命令行界面从PDF中提取一个大表格作为CSV：



（点击上面的图片查看它是否正在运行。如果它运行得太快，您无法阅读所有文字，请使用“暂停”按钮（ || < / strong> -symbol）。）

它托管在这里：

• https://asciinema.org/a/22761