从一组PDF文件中提取表格内容
我有一堆PDF-可能是数百或数千。它们的格式并非全部相同，但是它们中的任何一个都可以具有一个或多个表，这些表包含我想收集到单独数据库中的有趣信息。
当然，我知道我必须写点东西才能做到这一点。Perl是我的选择-也许是Java。只要是免费的，我就不在乎什么语言（或者免费试用，以确保它适合我的目的）。
我正在查看CAM :: Parse（使用Strawberry Perl），但是我不确定如何使用它来从文件中查找和提取表。我想我确实偏爱Perl，但实际上我想要一种性能可靠且相当容易进行字符串操作的东西。
这样的事情有什么好的方法？我在一个广场上，所以如果Java（或python等）有更好的钩子，那么现在是了解它的好时机。一般指针很好；入门代码将是首选。
问题答案：
-
最初的PDF格式（已有20多年的历史）从未打算用作可提取的，有意义的结构化数据的宿主。
-
其目的是为文档中的文本，图像和图表提供可靠的视觉表示-一种数字纸（也可以通过打印将其可靠地转换为真实纸）。仅在其开发的后期，才添加了更多功能，这些功能应有助于再次提取数据（google为Tagged PDF）。
有关从PDF抓取表格时出现的一些问题示例，请参阅本文：
为什么为文档更新美元如此困难
- 与我的观点“ 1”相反。上面，现在我这样说：对于一个惊人的工具系列，从PDF中提取表格数据（除非它们是扫描的页面），每个星期都会变得越来越好，
所以：去寻找Tabula。如果有任何工具可以满足您的需求，那么Tabula可能是最适合的工作！
更新资料
我最近创建了一个ASCiinema截屏视频，演示了如何使用Tabula命令行界面从PDF中将大表提取为CSV：
（单击上面的图像查看它的运行。如果它运行太快而无法阅读所有文本，请使用“暂停”按钮（||-symbol）。）
-
我有（相同的）数据保存为GIF图像文件和PDF文件，我想将其解析为超文本标记语言或XML。这些数据实际上是我大学自助餐厅的菜单。这意味着每周必须解析一个新版本的文件！一般来说，这些文件包含一些页眉和页脚文本，以及中间充满其他数据的表格。我读过一些关于stackoverflow的帖子，我也开始尝试将表格数据解析为超文本语言标记/XML： PDF格式 PDFBox||iText（Java） 谷歌文档导
-
我有关于从PDF文件中提取数据的查询。我有一个PDF文件，其中包含多个可用的数据表。我想从需要的表内容中提取数据。 如何从 PDF 文件中提取表格数据？ 如何使用 iText/PDFBox 执行此操作？
-
问题陈述： 我有一个PDF的结构像表格，但行是不可见的。请参阅下面的示例： 上图是我的表格在其中一个PDF页面中的样子。 我的研究 > 如何使用Python从PDF中提取表作为文本？--看了这道题，看了所有的答案。没有帮助 tabula：尝试了tabula API，但它只是提取标题而不是文本，可能是因为没有行。 我可以将整个pdf转换成文本，然后尝试用regex或数据操作来提取它。但这可能是非常乏
-
问题内容： 我正在尝试使用提取此 PDF文件中包含的文本。 我正在使用PyPDF2模块，并具有以下脚本： 运行代码时，得到以下输出，该输出与PDF文档中包含的输出不同： 如何提取PDF文档中的文本？ 问题答案： 要从PDF提取文本，请使用以下代码
-
我有一个列表。pdf，ppt，pptx，xls，xlsx，doc和。docx文件，现在想在这些文件中查找电子邮件地址。我的问题是如何从这些文件中智能地提取计划文本。目前我正在使用Apache POI，我对每种类型的文件都有一个单一的方法，是否有一个更短、更优雅的位置来做这件事？也许还可以处理。ODT、.ODP、.ODS文件？如何从。pdf,ppt,pptx,xls,xlsx,doc和.docx文件
-
问题内容： 我需要使用iText从pdf文件中提取文本。 问题是：一些pdf文件包含2列，当我提取文本时，我得到一个文本文件，其中的列作为结果合并（即同一行中两列的文本） 这是代码： 你能帮我完成这个任务吗？ 问题答案： 我是iText文本提取子系统的作者。您需要做的是开发自己的文本提取策略（如果您看一下如何实现的话，就会发现您可以提供可插拔的策略）。 您将如何确定列的开始和停止位置完全取决于您-