有什么办法将 PDF 里的报表抓取出来,整理成 excel 的

[iwukong]

有什么办法将 PDF 里的报表抓取出来,整理成 excel 的

比如披露易里的抓取 pdf 的报表

[redeemer1001]

没有现成的话，找个 pdf 解析库呗…参考 pdf 格式规范…
Adobe PDF file specification document available from Adobe website: “PDF Reference, Sixth Edition, Adobe Portable Document Format Version 1.7 November 2006”[http://www.adobe.com/content/dam/Adobe/en/devnet/acrobat/pdfs/pdf_reference_1-7.pdf]. It is an intimidating 1310 pages document. I would strongly recommend reading Chapter 4 Graphics and sections 5.2 and 5.3 of the Text chapter 5.
摘自 https://www.codeproject.com/Articles/570682/PDF-File-Writer-Csharp-Class-Library-Version-1-26

[shiny]

做过上教所和深交所的 pdf 解析入库，转文字后，正则匹配或者关键词匹配都比较容易实现。麻烦的地方是同类型报表虽然格式固定，但总有公司没有把格式写的完完全全一样。
要是数据项第三方库有，用第三方的更省事，比如 tushare

[ladypxy]

Word 打开 pdf，直接复制到 excel

[gladuo]

巧了，PDFact 试试 https://www.pdfact.cn/v1/pdfact?version=latest&cType=win

[jumpshen]

正好也在查这方面的资料

[whileFalse]

OCR 试试？

[0ranger]

白描 ocr 据说可以，不过我没成功

[whi147]

最近就在做这方面的代码，c++库有 mupdf 、xpdf，python 库有 pymupdf 、pdfplumber

[whi147]

还有 wxexcel

[hwlhwlxyz]

如果不是图片的话，我用过 tabula，还挺好用的，不知道你的格式是什么样子的。https://github.com/tabulapdf/tabula

[heguangyu5]

mupdf +1

mupdf 是个 c 库，还有很不错的文档，自身还带了几个实用工具，做格式转换、文字、图片、字体提取都很好用。

[dayeye2006199]

aws textract: https://aws.amazon.com/textract/

[]( https://user-images.githubusercontent.com/121520/58604820-4a47ee00-8285-11e9-86eb-14de20306709.png)

[iwukong]

@dayeye2006199 这的花多少钱

[iwukong]

@jumpshen 找到了吗

[iwukong]

@ladypxy 1 万份咋办

[ladypxy]

@iwukong python 写个程序自动调用 word 啊，网上大把代码

[iwukong]

@whi147 成功了吗 那些数据网站如何做的 wind chioce 理杏仁等

[dayeye2006199]

@iwukong 每月前 1000 页免费。1 百万页以下$1.5 每千页

[whi147]

@iwukong 工作代码不易公开，成功是肯定成功的，你就看下我用的几个库，自己也能摸索出来

[iwukong]

@dayeye2006199 关键我是想要的是
1.自动抓取网上的
2.自动入库
他这个只是每一个一个抓取吧