从 PDF 文档中提取数据
Extract data from PDF document
我有一个 PDF 文档。
它包含表格格式的数据。我想使用逗号作为列分隔符将数据提取到逗号分隔的文本文件中。
有什么建议吗？
标准 PDF 不提供有关它们在页面上绘制内容的语义的任何提示：语法提供的唯一区别是矢量元素（线条、填充）之间的区别,...), 图片和文字。
无论任何字符是 table 的一部分或一行的一部分，还是空白区域内的一个孤独的单个字符，都不容易通过解析 PDF 源代码以编程方式识别。
关于为什么 PDF 文件格式不应该被认为是 suitable 的背景，用于托管 extractable、结构化数据，见这篇文章：
Why Updating Dollars for Docs Was So Difficult (ProPublica-Website)
说了这么多现在让我补充一下：
用于从 PDF 中提取表格数据（除非它们是扫描页面）的惊人的开源工具系列每周都变得越来越好 -- 与我在介绍性段落中所说的相矛盾！ -- 查看 TabulaPDF。请参阅这些链接：
Tabula 写在 Ruby。
更新
这是一个 ASCiinema 截屏视频（您也可以 download 并借助 asciinema 命令行工具), 主演 tabula-extractor:
我有一个 PDF 文档。
它包含表格格式的数据。我想使用逗号作为列分隔符将数据提取到逗号分隔的文本文件中。
有什么建议吗？
标准 PDF 不提供有关它们在页面上绘制内容的语义的任何提示：语法提供的唯一区别是矢量元素（线条、填充）之间的区别,...), 图片和文字。
无论任何字符是 table 的一部分或一行的一部分，还是空白区域内的一个孤独的单个字符，都不容易通过解析 PDF 源代码以编程方式识别。
关于为什么 PDF 文件格式不应该被认为是 suitable 的背景，用于托管 extractable、结构化数据，见这篇文章：
Why Updating Dollars for Docs Was So Difficult (ProPublica-Website)
说了这么多现在让我补充一下：
用于从 PDF 中提取表格数据（除非它们是扫描页面）的惊人的开源工具系列每周都变得越来越好 -- 与我在介绍性段落中所说的相矛盾！ -- 查看 TabulaPDF。请参阅这些链接：
Tabula 写在 Ruby。
更新
这是一个 ASCiinema 截屏视频（您也可以 download 并借助 asciinema 命令行工具), 主演 tabula-extractor: