从PDF中提取数据并添加到工作表

Question

我正在尝试将PDF文档中的数据提取到工作表中。PDF显示和文本可以手动复制并粘贴到Excel文档中。

我目前正在通过SendKeys执行此操作，但它不起作用。当我尝试从PDF文档中粘贴数据时，我会出错。为什么我的粘贴不起作用？如果我在宏停止运行后粘贴，它会正常粘贴。

Dim myPath As String, myExt As String
Dim ws As Worksheet
Dim openPDF As Object
'Dim pasteData As MSForms.DataObject
Dim fCell As Range

'Set pasteData = New MSForms.DataObject
Set ws = Sheets("DATA")
If ws.Cells(ws.Rows.Count, "A").End(xlUp).Row > 1 Then Range("A3:A" & ws.Cells(ws.Rows.Count, "A").End(xlUp).Row).ClearContents

myExt = "\*.pdf"
'When Scan Receipts Button Pressed Scan the selected folder/s for receipts
For Each fCell In Range(ws.Cells(1, 1), ws.Cells(1, ws.Cells(1, ws.Columns.Count).End(xlToLeft).Column))
    myPath = Dir(fCell.Value & myExt)
    Do While myPath <> ""
        myPath = fCell.Value & "\" & myPath
        Set openPDF = CreateObject("Shell.Application")
        openPDF.Open (myPath)
        Application.Wait Now + TimeValue("00:00:2")
        SendKeys "^a"
        Application.Wait Now + TimeValue("00:00:2")
        SendKeys "^c"
        'Application.Wait Now + TimeValue("00:00:2")
        ws.Select
        ActiveSheet.Paste
        'pasteData.GetFromClipboard

        'ws.Cells(3, 1) = pasteData.GetText
        Exit Sub

        myPath = Dir
    Loop

Next fCell

Answer 1

随着时间的推移，我发现以结构化格式从PDF中提取文本是一项艰巨的工作。但是，如果您正在寻找一种简单的解决方案，您可能需要考虑XPDF工具pdftotext。

提取文本的伪代码将包括：

1. 使用VBA语句，使用XPDF将文本从PDF提取到临时文件

简化示例如下：

    Sub ReadIntoExcel(PDFName As String)
        'Convert PDF to text
        Shell "C:\Utils\pdftotext.exe -layout " & PDFName & " tempfile.txt"

        'Read in the text file and write to Excel
        Dim TextLine as String
        Dim RowNumber as Integer
        Dim F1 as Integer
        RowNumber = 1
        F1 = Freefile()
        Open "tempfile.txt" for Input as #F1
            While Not EOF(#F1)
                Line Input #F1, TextLine
                ThisWorkbook.WorkSheets(1).Cells(RowNumber, 1).Value = TextLine
                RowNumber = RowNumber + 1
            Wend
        Close #F1
    End Sub

Answer 2

我知道这是一个老问题，但我只是不得不为工作中的一个项目这样做，我很惊讶还没有人想到这个解决方案：只需使用Microsoft word打开. pdf。

当您尝试从. docx中提取数据时，该代码更容易使用，因为它在Microsoft Word中打开。Excel和Word很好地结合在一起，因为它们都是Microsoft程序。在我的例子中，有问题的文件必须是. pdf文件。这是我想出的解决方案：

1. 选择要打开的默认程序。pdf文件为Microsoft Word

是的，你可以转换。pdf文件。但在我看来，这是一个更简单的解决方案。

Answer 3

您可以使用Adobe库打开PDF文件并提取其内容（我相信您可以从Adobe下载作为SDK的一部分，但它也附带了某些版本的Acrobat）

确保也将库添加到引用中（在我的机器上是Adobe Acrobat 10.0类型库，但不确定这是否是最新版本）

即使使用Adobe library，它也不是微不足道的（您需要添加自己的错误捕获等）：

Function getTextFromPDF(ByVal strFilename As String) As String
   Dim objAVDoc As New AcroAVDoc
   Dim objPDDoc As New AcroPDDoc
   Dim objPage As AcroPDPage
   Dim objSelection As AcroPDTextSelect
   Dim objHighlight As AcroHiliteList
   Dim pageNum As Long
   Dim strText As String

   strText = ""
   If (objAvDoc.Open(strFilename, "") Then
      Set objPDDoc = objAVDoc.GetPDDoc
      For pageNum = 0 To objPDDoc.GetNumPages() - 1
         Set objPage = objPDDoc.AcquirePage(pageNum)
         Set objHighlight = New AcroHiliteList
         objHighlight.Add 0, 10000 ' Adjust this up if it's not getting all the text on the page
         Set objSelection = objPage.CreatePageHilite(objHighlight)

         If Not objSelection Is Nothing Then
            For tCount = 0 To objSelection.GetNumText - 1
               strText = strText & objSelection.GetText(tCount)
            Next tCount
         End If
      Next pageNum
      objAVDoc.Close 1
   End If

   getTextFromPDF = strText

End Function

这与您尝试做的基本相同——只使用Adobe自己的库。它一次浏览一页PDF，突出显示页面上的所有文本，然后将其（一次一个文本元素）放入字符串中。

请记住，从中得到的可能会充满各种非打印字符（换行符、换行符等），它们甚至可能会出现在看起来像连续文本块的中间，因此在使用它之前，您可能需要额外的代码来清理它。

希望这有帮助！