读取 PDF 文件以获取结构化格式的表格数据，

Question

我必须阅读一个包含多列表格的 pdf 文件。使用 iTextSharp 我能够读取文件，但我得到一堆非格式化文本。我无法构造数据以便插入数据库。

有什么建议吗？

Answer 1

除非其结构化文本没有标记来显示列。 PdfBox 等工具会通过“猜测”来尝试提取表格。

http://pdf.jpedal.org/java-pdf-blog/bid/12670/PDF-text 有一篇文章解释了为什么文本提取如此困难

Answer 2

如果我理解正确，pdf 文本是按位置存储的，因此它没有行或列的概念。这意味着您必须根据您从不同列中读取的“可能性”来使用启发式方法。

您可以通过比较单词之间的空格量来尝试这样做。 （我不熟悉 ITextSharp 界面，所以如果我提到它无法做到的事情，请原谅我......我主要熟悉 pdfNet。

我刚刚想到的另一个想法是，如果文本有视觉提示，例如分隔列的 垂直 线。如果是这种情况，您应该能够提出启发式方法来确定文本是在列行的左侧还是右侧。

...

不过，如果可能，最好的办法是以更数据库友好的格式获取数据。从长远来看，这可能会避免心痛。

-- 杰森

Answer 3

我的结论是没有直接的方法可以做到这一点。至少以表格格式读取数据。我尝试了 Mark 提供的建议，但按照我的要求似乎不可行。