首页   注册   登录
V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
推荐学习书目
Learn Python the Hard Way
Python 学习手册
Python Cookbook
Python 基础教程
Python Sites
PyPI - Python Package Index
http://www.simple-is-better.com/
http://diveintopython.org/toc/index.html
Pocoo
值得关注的项目
PyPy
Celery
Jinja2
Read the Docs
gevent
pyenv
virtualenv
Stackless Python
Beautiful Soup
结巴中文分词
Green Unicorn
Sentry
Shovel
Pyflakes
pytest
Python 编程
pep8 Checker
Styles
PEP 8
Google Python Style Guide
Code Style from The Hitchhiker's Guide
拉勾
V2EX  ›  Python

如何提取一个 pdf 文件里面, 一个表格的信息?

  •  
  •   woshichuanqilz · 333 天前 · 4156 次点击
    这是一个创建于 333 天前的主题,其中的信息可能已经有所发展或是发生改变。

    如何提取一个 pdf 文件里面, 一个表格的信息?

    我有一个 pdf 文件, 里面的有一个类似这样的表格, 除了这个表格还有其他很多没有写在表格里面的文字,

    我现在想做的就是提取这个表格里里面的信息, 这个怎么做?

    我湿了 pdfminer, 里面提取的文字顺序尤其是在提取表格内容的时候, 或者在表格里面有换行的情况的时候, 变得很乱无法统一提取信息。请问有没有什么好点的方法?

    20180423164856

    19 回复  |  直到 2018-07-15 22:05:41 +08:00
        1
    yidinghe   333 天前
    理论上 PDF 里面没有表格的概念,只有线、框、文字,所以你可能要计算坐标去判断一个字是否在表格中。
        2
    yo0o0o0   333 天前
    ocr 识别了解一下
        3
    CodingPuppy   333 天前 via Android
    最近也要做这么个需求,表格比你这还复杂~ pdfminer 看了下还没试~感觉 ocr 也有局限~ 还在搜索资料…
        4
    woshichuanqilz   333 天前   ♥ 1
    @CodingPuppy OCR 肯定不行, pdfminer 不行, pdfminer 是无格式的, 无法探知一个字段是不是在表格里面, 我看一楼哥们的方法应该是比较有效的, 只是感觉有点难。。。

    我刚看了一下 pdftable, 里面示例都用不了。。。

    读文件的函数感觉都没写完。

    http://7xpvdr.com1.z0.glb.clouddn.com/95885595-9dc8-4753-9ab1-e023daa27bef0423171652.png
        5
    xupefei   333 天前
    用 Word 打开这个 PDF 就行了。
        6
    akira   333 天前
    @xupefei word 打开 pdf 一般就是一张大图
        7
    ynyounuo   333 天前
    如果是 doc 之类的富文本格式转换的 PDF 可以试试在 Acrobat 里写 JavaScript 提取一些信息
        8
    zbl430   333 天前
    pdftotext 之后自己在做处理, 直接识别 table,难
        9
    summerwar   333 天前
    手工敲吧,比找工具快多了 这种表格基本上无解
        10
    nowheretogogo   333 天前
    目前能够直接读取 Pdf 里面表格的应该就只有 Fillable Pdf 了。
    里面可以添加 fields 并通过 field.Value 这种方式获取其中的值。
        11
    timtang2010   333 天前
    https://www.freepdfconvert.com/zh-hans/pdf-excel 这个网站不错,前天做报价用了很方便转换了。只不过没有付钱有页数转换的限制。
        12
    zhaoFinger   333 天前
    ocr 吧
        13
    maxco292   333 天前 via Android
    角点检测
        14
    evagreenworking   332 天前 via Android
    白描 了解一下
        15
    laqow   332 天前 via Android
    不介意的话 acrobat 直接转 doc,或者用 reader 一纵列一纵列的选择复制
        16
    rosu   332 天前 via Android
    截图 OCR 呗
        17
    kxxoling   332 天前
        18
    zix   318 天前   ♥ 1
    @kxxoling 项目还没有开源啊……

    @woshichuanqilz

    用 pdfminer 是可以做的,把线识别出来,然后自己组装成表格。另外有一个叫做 tabula-py 的项目了解一下

    附参考资料:

    - http://www.degeneratestate.org/posts/2016/Jun/15/extracting-tabular-data-from-pdfs/

    - https://github.com/chezou/tabula-py
        19
    tolecen   249 天前
    白描 现在表格识别有了质的提升,可以尝试一下
    关于   ·   FAQ   ·   API   ·   我们的愿景   ·   广告投放   ·   感谢   ·   实用小工具   ·   2781 人在线   最高记录 4385   ·  
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.3 · 16ms · UTC 10:56 · PVG 18:56 · LAX 03:56 · JFK 06:56
    ♥ Do have faith in what you're doing.
    沪ICP备16043287号-1