PDF表格提取(PDF table extraction)

我有保存为GIF图像文件和PDF文件（相同）的数据，我想它解析为HTML或XML。该数据实际上是我大学的食堂菜单。这意味着，不存在具有每星期要分析该文件的新版本！一般情况下，这些文件包含一些页眉和页脚文本，以及一个充满之间的其他数据表。我已阅读计算器一些帖子，我也已经开始了一些尝试解析出表数据为HTML / XML：

PDF

PDFBox的|| iText的（JAVA）
谷歌文档导入
PDF2HTML || PDF2Table

GIF

正方体-OCR

我已经得到了最好的结果，从解析PDF文件与PDFBox的，但仍然（如菜单每周都有变化），这是不够可靠。我接收HTML包括有时多，有时少“段落”（ <p>所以，我不能够足够解析数据precice。

这就是为什么我想知道如果有其他的方式来做到这一点？

Answer 1:

塔布拉是JRuby的Web界面从任意的PDF文件中提取CSV / TSV表上一个非常良好的开端。

Answer 2:

我已经实现了我自己的算法（它的名字是traprange ）在PDF文件中解析表格数据。

以下是一些样品PDF文件和结果：

输入文件：采样次数1.pdf ，结果是：样品1.HTML
输入文件：样品4.pdf ，结果是：样品4.html

在访问我的项目页面traprange

或者我在文章traprange

Answer 3:

如果你正在寻找从每周一次表中提取数据，并且你是在Windows的话，请检查包括自动表检测和表CSV，XML转换这个免费的PDF工具： PDF查看器实用程序。

该实用程序是免费的，对于非开发商业和非商业用途（并没有谁想要通过API自动开发商单独的版本）。

声明：我ByteScout工作

Answer 4:

我已经尝试了许多的OCR和文本转换软件的，虽然我相信一旦应该写程序的自我转换PDF文本作为图像时更好地执行任务的人员理解。

我也尝试使用谷歌和许多其他在线（约900网站）和离线（约1000软件）产品由不同的公司。如果你想提取文本从任何方法如PDF OCR或文本，那么最准确的方案，我发现是PDFTOHTML 。准确率PDFTOHTML约为98％，谷歌网上有大约94％的准确性。这是一个非常不错的软件，该软件还为您提供了文本的文本即粗体，斜体等格式正确。

Answer 5:

是在同一个地方的表每次？如果你能找到每个盒子的dimentions，你可以使用一个工具将PDF拆分成多个文档，每个包含一个框，之后就可以用你想给每个较小的PDF转换为HTML（任何工具如在其他的答案中提到的工具）。随机谷歌搜索拉升PyPdf ，它看起来像它可能有一些有用的功能。

如果你不能硬编码框的大小（或想申请的问题在不同格式的多个菜单），我明显的方法（我说的很明显，不容易），将边缘检测发现，其中表的边框会，然后申请我谈到之前的分裂。

Answer 6:

我最近遇到了类似的问题。

另一种解决方案，我发现是在Adobe打开一个PDF文档并将其导出到XML。至少在我的PDF格式的保存它的表信息，然后我可以以编程方式使用XML工作产生如Excel等表格文件

另一个问题我遇到的是，只有的Adobe让您一次导出一个文件，我有很多的文件。幸运的是，Adobe还具有合并功能。我结束了合并的所有文件一起，然后把它们导出为一个大的XML文件，并与该文件的工作产生什么，我需要。

Answer 7:

您可以使用卡米洛特从您的PDF中提取表格并将其导出为HTML文件。 CSV，Excel和JSON也支持。：您可以检查出的文档http://camelot-py.readthedocs.io 。它提供了更精确的结果相对于其他开源表提取工具和库。这里有一个比较。

您可以使用下面的代码片段去期待与您的任务：

>>> import camelot
>>> tables = camelot.read_pdf('file.pdf')
>>> type(tables[0].df)
<class 'pandas.core.frame.DataFrame'>
>>> tables[0].to_html('file.html')

免责声明：我是库的作者。