从pdf中提取表格

Question

我正在尝试从此PDF中的表中获取数据。我已经尝试过pdfminer和pypdf但运气不错，但我无法从表中获得数据。

这是其中一个表格的样子：

如您所见，某些列标有“x”。我正在尝试将此表放入对象列表中。

这是到目前为止的代码，我现在正在使用pdfminer。

# pdfminer test
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfparser import PDFParser
from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.pdfdevice import PDFDevice, TagExtractor
from pdfminer.pdfpage import PDFPage, PDFTextExtractionNotAllowed
from pdfminer.converter import XMLConverter, HTMLConverter, TextConverter, PDFPageAggregator
from pdfminer.cmapdb import CMapDB
from pdfminer.layout import LAParams, LTTextBox, LTTextLine, LTFigure, LTImage
from pdfminer.image import ImageWriter
from cStringIO import StringIO
import sys
import os


def pdfToText(path):
    rsrcmgr = PDFResourceManager()
    retstr = StringIO()
    codec = 'utf-8'
    laparams = LAParams()
    device = TextConverter(rsrcmgr, retstr, codec=codec, laparams=laparams)
    fp = file(path, 'rb')
    interpreter = PDFPageInterpreter(rsrcmgr, device)
    password = ''
    maxpages = 0
    caching = True
    pagenos = set()

    records = []
    i = 1
    for page in PDFPage.get_pages(fp, pagenos, maxpages=maxpages, password=password,
                                  caching=caching, check_extractable=True):
        # process page
        interpreter.process_page(page)

        # only select lines from the line containing 'Tool' to the line containing "1 The 'All'"
        lines = retstr.getvalue().splitlines()

        idx = containsSubString(lines, 'Tool')
        lines = lines[idx+1:]
        idx = containsSubString(lines, "1 The 'All'")
        lines = lines[:idx]

        for line in lines:
            records.append(line)
        i += 1

    fp.close()
    device.close()
    retstr.close()

    return records


def containsSubString(list, substring):
    # find a substring in a list item
    for i, s in enumerate(list):
        if substring in s:
            return i
    return -1


# process pdf
fn = '../test1.pdf'
ft = 'test.txt'

text = pdfToText(fn)
outFile = open(ft, 'w')
for i in range(0, len(text)):
    outFile.write(text[i])
outFile.close()

生成一个文本文件，它获取所有文本但是，x没有保留间距。输出如下所示：

x只是文本文档中的单行间距

现在，我只是生成文本输出，但我的目标是使用表格中的数据生成一个html文档。我一直在寻找OCR的例子，其中大多数似乎令人困惑或不完整。我愿意使用C＃或任何其他可能产生我正在寻找的结果的语言。

编辑：这样会有多个这样的pdf，我需要从中获取表数据。所有pdf的标题都是相同的（据我所知）。

Answer 1

我明白了，我的方向错了。我所做的是在pdf中创建每个表的png，现在我正在使用opencv＆amp; amp处理图像。蟒。

Answer 2

尝试Tabula，如果有效，请使用tabula-extractor library（用ruby编写）以编程方式提取数据。