我有一堆报告，我每天都在手工编译，而且它会永远消失，所以我在想整个过程的自动化。我将从以下数据中抓取数据：（1）HTML，（2）CSV / XLS，（3）PDF。我主要只使用PHP从CSV / HTML中删除数据，并想知道是否有任何可靠的库或方法从PHP中获取PDF中的表数据？
我刚刚开始学习Python，并且看到使用PDFMiner与Scrapy一起尝试这样做可能是一个好主意。这会更好吗？或者还有其他选择吗？
请告诉我。谢谢！
答案 0 :(得分：3)
Beautiful Soup是抓取的另一个好方法，PDFminer是我找到的最好的Python解析器。我主要使用pdf2txt.py，然后根据需要从那里重新格式化。
答案 1 :(得分：2)
如果您对linux服务器有命令行访问权限，请尝试使用pdftotext命令
$ pdftotext file.pdf
如果你很幸运，你会得到一些你可以使用的东西。根据PDF的不同，根据我的经验，文本可能会从最初格式化表格的方式变得奇怪。祝你好运。