从PDF中提取表格数据

Question

有没有一致的方法从PDF文件中提取表格？有什么工具吗？

到目前为止我做了什么：

• 我尝试了pdftotext工具。它有一个转换为HTML布局的选项。

有什么问题：

• 表格信息不会保留在HTML输出
中
• 我预计会有<table>个标签，但所有内容都在<p>标签下。

PDF文档中是否有标记表示表格结构？与HTML中的<table>，<tr>和<td>一样？

如果“是”，任何对此的指示都会有所帮助。如果“不”，那么关于这一事实的明确信息也会有所帮助。

Answer 1

如果PDF文档遗漏了将内容标记为表格，行，单元格等（称为标记）的信息，则没有一致的方法从PDF文档中提取表格。大多数情况下，PDF文档不包含这些标记。这些标签通常用于使PDF可访问，以便例如可以大声朗读。 PDF无需使用这些标签。

Answer 2

然而，您可以使用pdftotext -layout input.pdf output.txt。 它在文本文件中打印pdf并包含原始布局。没有标签，但有一些漂亮的脚本（perl / php /等），你可以从表中恢复数据。

如果您正在处理单个页面，那么您可能最好手动执行此操作，但如果您（像我一样）必须处理100页或1000页的页面，那么它就是您可以获得的最佳效果。 我一直在寻找很长一段时间，找不到比pdftotext更好的pdf-2文本工具。

输出中存在一些不一致，并非所有类似的pdf表都会产生类似的txt输出，但这会使您的脚本更有趣。