使用UIMA从PDF中提取数据

Question

我有一堆PDF是公司的财务报告。这些财务报告采用表格形式，但具有不同的大小，形状和格式。我想提取当前资产，负债和权益等信息，并将其保存在数据库中。

UIMA可以允许我这样做吗？

我的计划是使用Tika将PDF转换为文本，然后使用UIMA注释这些文本并将这些注释编入索引，如Current Asset，Current Liability。

谢谢你的帮助。

Answer 1

是的，这是UIMA的一个非常好的用例。一些指示：

• DKPro Core已经有PDF reader使用PDFbox
• 如果PDFbox不符合您的要求，我发现PdfTextStream效果很好
• 您应该查看RUTA workbench来编写提取信息的规则。它将真正加速并简化您与UIMA的合作。