PDF 数据解析器是否可以读取 PowerPoint PDF？

Question

我目前正在开发一个专有的 PDF 解析器，它可以读取具有各种类型数据的多种类型的文档。在开始之前，我在考虑是否可以阅读 PowerPoint 幻灯片。我的雇主使用需要图像和背景设计的演示指南 - 是否可以构建一个解析器，可以从这些 PowerPoint PDF 中读取数据，而不会妨碍幻灯片装饰？

所以工作流程基本上是这样的：

1. 在项目结束时，项目报告以演示文稿的形式交付。
2. 演示文稿将转换为 PDF。
3. PDF 将提交给我的申请。
4. 应用程序将阅读幻灯片并创建以数据为中心的报告以供快速查看。

该应用程序的目标是大量减少需要阅读的量，因为其中一些演示报告可能有很多页，而且一天中没有足够的时间。

Answer 1

将 PDF 解析为结构化数据总是很棘手，因为该格式面向精确打印，而不是易于编辑或数据提取。

基本上，PDF 包含诸如“在某个页面的某个 (x,y) 位置有一个带有此类文本的标签”之类的信息。

基本上，您很可能需要一些启发式方法才能将其转化为结构化数据。

它基本上是一种抓取形式。

在您最喜欢的搜索引擎上搜索PDF scraping 或类似的东西，这将是一个好的开始。

另外，你可能想看看那些类似的帖子：

• PDF Data and Table Scraping to Excel

• How to extract table as text from the PDF using Python?

Answer 2

PowerPoint PDF 不是 PDF 的类型。

PDF 中不会有任何内容将页面上的元素识别为“幻灯片”图形，例如源自 PowerPoint 文件。

您可以尝试构建一种算法来决定从创建的 PDF 中删除内容，但这会很棘手，而且对我来说似乎是错误的方法。

更好的方法是将PPT“导出”为文本首先，例如在 Microsoft PowerPoint 中将其导出为 RTF 文件，以便您将所有文本导出并直接使用或将其转换为 PDF。