【发布时间】：2013-07-18 15:51:34
【问题描述】：
我有一些 PDF 电子表格，并希望从每个电子表格中提取数据并将其存储在类似于 2d 字符串列表的东西中；本质上是从 PDF 中以我可以索引并在我的代码中使用的对象的形式重新创建表格/电子表格。 PDFMiner 是实现此类目标的最佳选择吗？如果可以以某种方式基于单元格而不是寻找空格来从表格/电子表格中进行提取，那就太好了，因为表格经常会在各个位置有空单元格。
【问题讨论】：
【发布时间】：2013-07-18 15:51:34
【问题描述】：
首先是简单的部分：是的，PDFMiner 可能是您的最佳选择 :-)
上一句中的“大概”应该给你一个提示……PDF提取可以是一种黑魔法；一切都取决于源 PDF 的格式/可预测性。
如果幸运的话，最快的解决方案可能是使用已建立的工具将 PDF 转换为可以轻松解析的其他格式（想到 HTML），然后从那里提取表格。事实上，这正是pdftable 所做的......
有时这可能不起作用，您需要使用页面中的视觉线索来划分表格单元格。在这种情况下，pdfminer 就派上用场了。它可以告诉您所有文本的位置，并具有诸如 PostScript 渲染器之类的东西来“绘制”其他提取工具无法看到的线条。 This blog post 解释了你可以如何去做。
【讨论】：