分析PDF文档中的表

Question

此链接（http://www.lenovo.com/psref/pdf/psref450.pdf）中的PDF包含许多类似的表：

我想从这些表中以编程方式提取数据和结构。在

我尝试过的事情：使用

1. Tika：不幸的是，这些表被转换成空格分隔的 段落-一些字符串包含空格，因此 不可能把它们分开。在
2. Python的PDFMiner：由于缺少字体，返回了断言错误。我怀疑HTML可能与 蒂卡，不过我需要解决丢失字体的问题 确认一下。在
3. 在线工具：我尝试了http://www.zamzar.com/和其他一些工具。文件太大，无法处理（对于联机 或者它产生了错误。在

我计划把PDF转换成HTML，然后用beauthoulsoup解析它。在

输出可以是JSON（例如每个表一个对象）、XML，或者几乎任何维护结构的格式。在

Answer 1

仅供参考，因为我的工具不是公开的：它确实是可能的。这是一张纯文本表格，中间的空格是制表符，而不是空格：

2469-2TU    i5-3320M    4GBx1   14.0" HD    720p    500G 7200   Intel 620528    WWAN upg    Express 54  Finger  BT  6   Win7 Pro64  10/12
✂ 2469-2SU  i5-3210M    4GBx1   14.0" HD    720p    500G 7200   Intel 2200  WWAN upg    Express 54  None    None    6   Win7 Pro64  10/12
✂ 2469-2RU  i3-3110M    4GBx1   14.0" HD    720p    320G 7200   Intel 2200  WWAN upg    Express 54  None    None    6   Win7 Pro64  10/12
2469-32U    i5-3230M    4GBx1   14.0" HD    720p    320G 7200   Intel 6205  WWAN upg    None    Finger  BT  6   Win7 Pro64  02/13
2469-2ZU    i5-3230M    4GBx1   14.0" HD    720p    320G 7200   Intel 2200  WWAN upg    None    None    None    6   Win7 Pro64  02/13
2469-2YU    i5-3320M    4GBx1   14.0" HD    720p    320G 7200   Intel 6205  WWAN upg    None    Finger  BT  6   Win7 Pro64  02/13
2469-2XU    i5-3320M    4GBx1   14.0" HD    720p    320G 7200   Intel 6205  WWAN upg    None    None    None    6   Win7 Pro64  02/13
2469-2WU    i5-3320M    4GBx1   14.0" HD    720p    320G 7200   WLAN upg    WWAN upg    None    Finger  BT  6   Win7 Pro64  02/13

当我的第二个空格被写在一起的时候，我可以用一个比我想象的要大的空格来插入。在

我甚至在Zapf Dingbats里找到了小剪刀：）

Answer 2

@alex woolford:总的来说，完美的数据提取（无论是否有你在PDF中看到的格式）并不总是可能的，尽管它在某种程度上不到100%。我之所以这么说，是因为我之前曾参与过一个与你类似的项目。我遇到了类似的问题，网络上的一些研究表明，一般来说，PDF不是一种完全可逆的格式，也就是说，从PDF中恢复文本和格式的准确率并不总是100%。有时，在提取过程中（使用一些库），字符甚至会丢失或被转置等等。这似乎是由于PDF格式和规范的本质。它不是基于文本的格式。它是PostScript的派生，在数据布局方面有一些奇怪的规则。这是根据官方的PDF文档，或者是根据产品公司的网站，这些公司长期使用PDF，并且他们的产品是众所周知的。在

如果不太完美的精确度是可以容忍的，那么有一些产品是可用的（我想我还不知道Python的任何产品，目前为止）。一个是xpdf，另一个是PDFTextStream。我用的是前者，不是后者。xpdf是一个C库，也有命令行工具。PDFTextStream是一个Java工具/库。这是一个付费产品，但我最后检查，它现在是免费的单线程应用程序，IIRC。在

尽管xpdf用于C，PDFTextStream用于Java，但是您可以通过XML-RPC或其他一些分布式计算/跨语言通信方法（如套接字）从Python调用它们。当然，这需要一些工作。在

好吧。在

Answer 3

你可以试试PDFBox。相关文档如下：

https://pdfbox.apache.org/1.8/cookbook/textextraction.html

延伸org.apache.pdfbox.pdfviewer.PDFPageDrawer重写strokePath方法。从那里可以截取水平和垂直线段的绘制操作，并使用该信息确定列和行的位置。可以设置文本区域以确定在哪个区域中绘制哪些数字/字母/字符。因为你可以使用简单的表格和表格的算法来定义表格中的行和列。在