如何提取一个 pdf 文件里面, 一个表格的信息?

[woshichuanqilz]

如何提取一个 pdf 文件里面, 一个表格的信息?

我有一个 pdf 文件, 里面的有一个类似这样的表格, 除了这个表格还有其他很多没有写在表格里面的文字,

我现在想做的就是提取这个表格里里面的信息, 这个怎么做?

我湿了 pdfminer, 里面提取的文字顺序尤其是在提取表格内容的时候, 或者在表格里面有换行的情况的时候, 变得很乱无法统一提取信息。请问有没有什么好点的方法?

[yidinghe]

理论上 PDF 里面没有表格的概念，只有线、框、文字，所以你可能要计算坐标去判断一个字是否在表格中。

[yo0o0o0]

ocr 识别了解一下

[CodingPuppy]

最近也要做这么个需求，表格比你这还复杂～ pdfminer 看了下还没试～感觉 ocr 也有局限～ 还在搜索资料…

[woshichuanqilz]

@CodingPuppy OCR 肯定不行, pdfminer 不行, pdfminer 是无格式的, 无法探知一个字段是不是在表格里面, 我看一楼哥们的方法应该是比较有效的, 只是感觉有点难。。。

我刚看了一下 pdftable, 里面示例都用不了。。。

读文件的函数感觉都没写完。

http://7xpvdr.com1.z0.glb.clouddn.com/95885595-9dc8-4753-9ab1-e023daa27bef0423171652.png

[xupefei]

用 Word 打开这个 PDF 就行了。

[akira]

@xupefei word 打开 pdf 一般就是一张大图

[ynyounuo]

如果是 doc 之类的富文本格式转换的 PDF 可以试试在 Acrobat 里写 JavaScript 提取一些信息

[zbl430]

pdftotext 之后自己在做处理, 直接识别 table,难

[summerwar]

手工敲吧，比找工具快多了 这种表格基本上无解

[nowheretogogo]

目前能够直接读取 Pdf 里面表格的应该就只有 Fillable Pdf 了。
里面可以添加 fields 并通过 field.Value 这种方式获取其中的值。

[timtang2010]

https://www.freepdfconvert.com/zh-hans/pdf-excel 这个网站不错，前天做报价用了很方便转换了。只不过没有付钱有页数转换的限制。

[zhaoFinger]

ocr 吧

[maxco292]

角点检测

[evagreenworking]

白描 了解一下

[laqow]

不介意的话 acrobat 直接转 doc，或者用 reader 一纵列一纵列的选择复制

[rosu]

截图 OCR 呗

[kxxoling]

@zix

[zix]

@kxxoling 项目还没有开源啊……

@woshichuanqilz

用 pdfminer 是可以做的，把线识别出来，然后自己组装成表格。另外有一个叫做 tabula-py 的项目了解一下

附参考资料：

- http://www.degeneratestate.org/posts/2016/Jun/15/extracting-tabular-data-from-pdfs/

- https://github.com/chezou/tabula-py

[tolecen]

白描 现在表格识别有了质的提升，可以尝试一下