如何从 PDF 文件中提取数据，同时跟踪其结构？答案

【问题标题】：How to extract data from a PDF file while keeping track of its structure?如何从 PDF 文件中提取数据，同时跟踪其结构？
【发布时间】：2010-10-30 14:00:29
【问题描述】：

我的目标是从 PDF 文件中提取文本和图像，同时解析其结构。解析结构的范围并不详尽；我只需要能够识别标题和段落。

我尝试了几种不同的方法，但都没有走得太远：

将 PDF 转换为文本。它对我不起作用，因为我丢失了图像和文档的结构。
将 PDF 转换为 HTML。我找到了一些可以帮助我解决这个问题的工具，迄今为止最好的工具是 pdftohtml。该工具在演示方面非常出色，但我无法成功解析 HTML。
将 PDF 转换为 XML。同上。

有人对如何解决这个问题有任何建议吗？

【问题讨论】：

为什么一直无法成功解析html？
我想跟踪标题，其中一种方法是通过样式识别它们。一些标题的样式混合在一起，因此会产生一些问题。

标签： pdf parsing extraction

【解决方案1】：

本质上没有简单的剪切和粘贴解决方案，因为 PDF 对结构并不是很感兴趣。这个网站上还有许多其他答案会更详细地告诉你事情，但是这个应该给你要点：

If identifying text structure in PDF documents is so difficult, how do PDF readers do it so well?

如果您想在 PDF 本身中执行此操作（您将拥有对该过程的大部分控制权），您必须遍历页面上的所有文本并通过查看其文本属性（使用的字体、相对于页面上其他文本的大小等...）。

除此之外，您还必须通过查看文本片段的位置、页面上的空白、某些字母、单词和行的接近程度来识别段落...... PDF 本身甚至没有“单词”的概念，更不用说“行”或“段落”了。

更复杂的是，文本在页面上的绘制方式（以及它在 PDF 文件中出现的顺序）甚至不必是正确的阅读顺序（或者我们人类会考虑的顺序）是正确的阅读顺序）。

【讨论】：

【解决方案2】：

您可以将以下方法与 iTextSharp 或其他开源库一起使用：

使用iTextSharp或类似的开源工具读取PDF文件并将所有文本对象收集到一个数组中（或使用pdftohtml之类的工具将PDF转换为HTML，然后解析HTML）
按坐标对所有文本对象进行排序，以便将它们放在一起
然后遍历对象并检查它们之间的距离，看看是否可以将 2 个或多个对象合并到一个段落中

或者你可以使用像ByteScout PDF Extractor SDK这样的商业工具，它能够做到这一点：

提取文本和图像并分析文本的布局
XML 或 CSV，其中文本对象在虚拟布局网格内合并或拆分为段落
通过特殊 API 访问对象，从而可以通过其“虚拟”行和列索引来寻址每个对象，而不管它在原始 PDF 中的存储方式。

免责声明：我隶属于 ByteScout

【讨论】：

iTextSharp 不一定按照它在 PDF 中出现的顺序返回字符串输出。那么如何“按坐标对所有文本对象进行排序”？
@AbhishekPoojary 以这种方式，您应该转到低级 pdf 对象，按屏幕坐标对它们进行排序，然后将它们连接成最终字符串。由于 PDF 设计对象内部不需要与它们在屏幕上出现的顺序相同。

【解决方案3】：

PDF 解析标题及其子内容确实非常困难（这并不意味着它不可能），因为 PDF 有多种格式。但我最近遇到了一个名为 GROBID 的工具，它可以在这种情况下提供帮助。我知道这并不完美，但如果我们提供适当的培训，它可以实现我们的目标。

Grobid 在 github 上以开源形式提供。

https://github.com/kermitt2/grobid

【讨论】：

【解决方案4】：

PDF 文件可以用 tabula-py 或 tabula-java 解析。

我在this article 上制作了有关如何使用 tabula-py 的完整教程。只要您安装了 Java，您也可以在网络浏览器中制表。

【讨论】：

谢谢！奇迹般有效！他们有一个应用程序：tabula.technology

【解决方案5】：

除非它是标记内容，否则 PDF 没有结构......您必须“猜测”它，这就是各种工具正在做的事情。 http://blog.idrsolutions.com/2010/09/the-easy-way-to-discover-if-a-pdf-file-contains-structured-content/

有一篇很好的博客文章解释了这些问题

【讨论】：

【解决方案6】：

正如上面的答案中提到的，PDF 不是很容易解析。但是，如果您有关于要解析的文本的某些附加信息，则可以将其关闭。

如果您的标题位于页面的特定部分，您可以解析 PDF 文件并按坐标对解析后的输出进行排序。
如果您事先了解标题和段落之间的间距，您还可以利用此信息来解析文件。

PDFBox 是一个 PDF 解析工具，您可以使用它来提取文本和图像，您可以在其上定义您的自定义解析规则。

但是，要解析 PDF，您需要先了解 PDF 文件的一般格式。您可以查看以下博文Document parsing，了解有关文档解析的更多信息。

免责声明：我参与了这篇博文的撰写。

【讨论】：

【解决方案7】：

iText 接口： PdfReader pr=new PdfReader("C:\test.pdf");

参考资料： PDF阅读器

【讨论】：

你想用这个答案表达什么？
这不是正确的回答方式