从PDF中提取表格数据

Question

有没有一种一致的方法可以从PDF文件中提取表格？ 有什么工具可用？

我目前为止做了什么：

• 我尝试使用pdftotext工具。 它有一个选项可以转换为HTML布局。

这个方法存在的问题：

• 表格信息在HTML输出中未保留
• 我期望看到<table>标签，但所有内容都在<p>标签下。

PDF文档中是否会有标记来指示表格结构？ 像HTML中的<table>、<tr>和<td>这样的标记？

如果是“是”，对此的任何指针都将很有帮助。 如果是“否”，也需要确切的信息。

- Rajneesh

---

@GeorgStocker：关闭这个问题并以“描述问题及已尝试解决方案”作为原因有点荒谬。—— OP 明确表示他/她已经尝试使用 pdftotext 和 pdftohtml。他将问题描述为“期望的表格标签，但所有内容都在 p 标签下”。 - Kurt Pfeifle

自从我留下评论以后，我稍微编辑了 OP 一下，以便更好地强调所提出的问题。 - Kurt Pfeifle

请仅返回翻译文本：重复的 https://dev59.com/XkEEtIcB2Jgan1zne4Uo - Martin Thoma

Answer 1

然而，你可以使用pdftotext -layout input.pdf output.txt来将PDF打印成文本文件并保留原始布局。没有标签，但是使用一些巧妙的脚本（Perl / PHP / 任何语言），可以从表格中恢复数据。

如果你只处理一页，最好手动完成。但是，如果你（像我一样）需要处理数百或数千页，则这是最好的选择。我已经寻找了很长时间，没有发现比pdftotext更好的pdf转文本工具。

输出有些不一致，类似的PDF表格可能会产生不同的txt输出，但这会让你的编程稍微有些有趣。

- user281681

---

pdftotext 带上 -layout 选项对我很有帮助。谢谢。 - dlink

我发现-table选项仍然更好用。 - Vic Seedoubleyew

@VicSeedoubleyew：我找不到-table开关。http://manpages.ubuntu.com/manpages/lucid/man1/pdftotext.1.html上没有提到这个。pdftotext的版本是0.24.5。 - Quamis

@Quamis，我正在使用从http://www.foolabs.com/xpdf/download.html下载的xpdf软件包中提取的pdftotext 3.04版本。实际上，它从使用消息中打印出“-table”。希望这可以帮助到您。 - Vic Seedoubleyew

@Quamis：版本0.24.5来自最初XPDF代码基础的“Poppler”分支。这个分支于2005年发生。现在，总体而言，Poppler工具比原版（也在继续开发）功能更加丰富，似乎也更易于维护。然而，“pdftotext”的"-table"参数似乎是Poppler分支仍然缺失的一个功能，原版XPDF在这方面更为出色。XPDF的最新版本是2014年5月28日发布的v3.04。Poppler的最新版本是2016年4月28日发布的v0.43.0（就在三天前）。2014年5月28日，Popper的版本是v0.26.0（自那以后已经发布了17个版本）。 - Kurt Pfeifle

Answer 2

如果PDF文档缺少将内容标记为表格、行、单元格等的信息（称为标记），则从PDF文档中提取表格的方法不一致。大多数情况下，PDF文档不包含这些标记。通常，这些标记用于使PDF可访问，例如可以朗读出来。这些标记不是PDF有效的必要条件。

- Frank Rem

---

+1 -- 很好的答案，基本上和我自己几个月前的答案一样。但是后来我发现了TabulaPDF及其技术。-- 请问您能否投票重新开放这个问题，这样我就可以添加我的答案了吗？ - Kurt Pfeifle

当 pdftotext 和 Acrobat 都无法提取表格时，您可以尝试另一种方法：在 Word 中打开它。我使用过 Word 2013 的内置转换功能，并取得了良好的结果。单元格内的格式可能会有些混乱，但是正确整理单元格是一个不错的开始。 - Jonathan Lidbeck