PDF数据提取 - 需要建议

Question

我创建了一个 pdf提取工具。附加样本屏幕。 用户可以加载pdf文件并选择他想要的数据区域。然后我抓住pdf坐标和页码，然后将其保存为模板。一旦用户给出了pdf文件列表，工具就能够根据模板文件提取数据。 My tool is very much similar to this.

现在问题有时在某些pdf中，提取所需的数据部分会转移到下一页。 （转移的原因是;我会给出一个示例。如果您认为您购买的商品清单，打印的“总价值”的地方取决于你购买的物品数量：如果它是一个很长的列表总数就会降到最低位置，中间或接近顶部。

因此，现在我正在考虑识别pdf的结构而不是获取坐标。

但我没有明确的想法。请分享任何内容，您认为有助于解决此问题。我再次重申，我正试图从pdf中获取数据。因此，可以捕获pdf 文件的结构。

我的想法是，如果我能识别结构，那么我可以说出价值在哪里。例如，我尝试将pdf转换为html并尝试浏览html标记值。 （body-＆gt; div-＆gt; table-＆gt; td-＆gt;等）但是它没有成功.. :(

Answer 1

PDF只有弱结构，没有div或容器。有层组和类似的，但坐标是唯一的，你可以指望。

尝试从左侧和右侧描述文本和边距的类型，以使您的捕获页面独立。

Answer 2

PDF文件格式包括一组可选的元标记。如果使用这些，文件将具有一些结构。否则你运气不好。我写了一篇博文，告诉你如何在http://www.jpedal.org/PDFblog/2010/09/the-easy-way-to-discover-if-a-pdf-file-contains-structured-content/

找到它

Answer 3

您可以使用一些“锚”，例如“ ORDER QTY”，然后捕获与该锚有关的数据。看一下www.ivytools.net-在该工具中，您可以定义规则，这些规则指定如何查找相对于文档中其他文本的值。在您的示例中，它将类似于：

p.Find("ORDER QTY").Down()