Question

正如标题所示，我有一个文件需要将每个句子提取到Excel中的单元格，每个单元格一个。

句子提取可以像查找下一个". "一样简单并提取到单元格。问题是除了MATLAB之外，我真的不懂任何编程语言（我是一名机械工程师）。

如果它可以忽略那些令人敬畏的桌子/图片，如果不是很好，只要它在遇到桌子/图片时不会搞砸。我知道我并没有给你很多工作，但感谢任何帮助。

Answer 1

你没有说出你想要的＆＃34;句子单元＆＃34;被打好...

简短回答：这是不可能的。
扩展答案：这很难，而且还取决于您的特定PDF文件。有些PDF文件不会将完全提供给文本提取。
您可以尝试以下命令，该命令会尝试将每个句子捕获到CSV类型表的字段中（只有一列，并且行数相当于总句子数：
```
pdftotext -layout -x 10 -y 20 -W 400 -H 490 the.pdf - \
  | tr "\\n" " "            \
  | perl -pe 's#\f# #g'     \
  | perl -pe 's#\. #.\n#g'  \
  | perl -pe 's#\? #?\n#g'  \
  | perl -pe 's#\! #!\n#g'  \
  | sed 's#^#"#'            \
  | sed 's#$#",#'           \
  | tee myvalues.csv
```
此示例适用于我创建的sample 2-page PDF以快速测试上述命令。 PDF的屏幕截图：

以上命令适用于Linux和Mac OS X. （抱歉，没时间想出相同的Windows版本！）

要了解此命令如何（和IF）对您的 PDF有效，请继续前进：
- 首次执行 第一行 作为首次尝试（摆脱最终的 \ 标志这只是行继续标记。第一行将仅从PDF中提取文本并将其打印在标准输出通道上。如果这不起作用，所有其他线路也不会。 -x .. -y .. -W .. -H ..参数通过选择左上角的矩形坐标角（x和y）来尝试摆脱页脚和页眉（如示例PDF中的页面编号），以及页面区域宽度（W）和高度（H），以限制该区域的文本提取。
- 第二次尝试执行 前两行 （在第一行保留行继续标记，在第二行删除标记）。第二行从第一行获取输出，并用空格字符替换每个换行符。因此，您将页面的所有内容都放在一行中。
- 在第三次尝试中执行 前三行 （在第一行和第二行中保留行继续标记，删除第三行上的标记）。第三行获取前两行的输出，并用空格字符替换每个formfeed字符。当分页发生时，这些换页字符可能出现在原始输出中，有时在句子中。（或者，您可以将-nopgbrk添加到原始pdftotext命令中，以避免完全插入分页符。）因此，您将所有页面的所有内容放在一行上。
- 最后，执行上面给出的 所有行 。第四行用换行符替换所有出现的.（冒号后跟空格）。第五和第六行打破由问题和感叹号结束的句子。第七行和第八行将行包装成引号，并用逗号结束每一行。最后一行将结果传递到文件myvalues.csv
这是输出的外观：
```
"this is a paragraph.",
"this is a sentence.",
"this is a sentence.",
"this is a sentence.",
"this is a sentence.",
"this is a sentence.",
"this is a sentence.",
"this is a sentence.",
"this is a sentence.",
"this is a sentence.",
"this is a paragraph.",
"this is a sentence.",
"this is a sentence.",
"this is a sentence.",
[....]
"this is a sentence.",
```

如果命令按预期工作，它将返回CSV（逗号分隔值）文本文件。这种类型的文本文件可以轻松导入Excel。

从PDF文件中将每个句子提取到Excel中的单独单元格？

1 个答案: