从PDF中的嵌套表中提取数据

Question

1. 我有一些从word或excel文件创建的pdf文件。

2. 我需要获取表格中的信息。

3. 文档中的文字不是图像，因此我可以使用pdfbox等工具提取文本。

4. 当我有文字时，我无法知道它所属的表格中的哪些单元格，因为我不知道表格边框的位置。

5. 我尝试了一些桌面工具，如abby或固体pdf转换器，他们能够将文件转换成漂亮的word文档，但这不符合我的需要，因为我希望能够做到这一点在C＃中编程。

6. 有些表格有嵌套表格，我认为这会让这更加困难。

感谢您的帮助

Answer 1

这里的困难是因为PDF中的文本不包含在任何表格中。它可能看起来像是，但在表面下，它不是。

所以我可以想到几个选项。但是他们中的任何一个都不会像你想的那样令人满意。

1. 有些公司提供用于PDF到Excel / Word转换的SDK。 Investintech和Iceni就是几个例子。但这些解决方案并非免费。
2. 如果您知道从中提取表格数据所需的PDF文件的确切布局，那么您可以使用任何SDK，它可以从PDF中提取文本，并告诉您提取的文本的确切坐标。使用此方法，您需要事先知道文本的位置，以便您可以从页面上的特定区域提取文本。如果你需要处理任何随机文件，它显然是行不通的。

这是一项艰巨的任务，但希望这会给你一个起点。