如何在 Rails 4 中将 PDF 转换为 Excel 或 CSV

Question

我搜索了很多。我别无选择，除非在这里问这个。你们知道有 API 或 Gem/s 可以将 PDF 转换为 Excel 或 CSV 文件的在线转换器吗？

我也不确定这里是否是问这个问题的最佳地点。

我的应用程序在 Rails 4.2 中。 PDF 文件包含一个标题和一个大约 10 列的大表格。

更多信息： 用户通过表单上传 PDF，然后我需要将 PDF 解析为 CSV 并阅读内容。我尝试使用 PDF Reader Gem 阅读内容，但结果并不理想。

我使用过：freepdfconvert.com/pdf-excel 不幸的是，不提供 API。 （我已经联系他们了）

示例 PDF

这段代码将 PDF 转换成文本，很方便。 宝石：pdf-reader

 def self.parse
    reader = PDF::Reader.new("pdf_uploaded_by_user.pdf")
    reader.pages.each do |page|
      puts page.text
    end
  end

现在，如果您检查随附的 PDF 示例，您会看到一些字段可能为空，这意味着我根本无法用空格分割文本行并将其放入数组中，因为我无法映射数组到正确的字段。

谢谢。

Answer 1

好的，经过大量研究，我找不到 API，甚至找不到合适的软件。这是我的做法。

我首先使用此 API pdftables 将表格从 PDF 中提取到表格中。它很便宜。

然后我将 HTML 表格转换为 CSV。

（这并不理想，但它有效）

代码如下：

require 'httmultiparty'
class PageTextReceiver
  include HTTMultiParty
  base_uri 'http://localhost:3000'

  def run
    response = PageTextReceiver.post('https://pdftables.com/api?key=myapikey', :query => { f: File.new("/path/to/pdf/uploaded_pdf.pdf", "r") })

    File.open('/path/to/save/as/html/response.html', 'w') do |f|
      f.puts response
    end
  end

  def convert
    f = File.open("/path/to/saved/html/response.html")
    doc = Nokogiri::HTML(f)
    csv = CSV.open("path/to/csv/t.csv", 'w',{:col_sep => ",", :quote_char => '\'', :force_quotes => true})
    doc.xpath('//table/tr').each do |row|
      tarray = []
      row.xpath('td').each do |cell|
        tarray << cell.text
      end
      csv << tarray
    end
    csv.close
  end
end

现在像这样运行它：

#> page = PageTextReceiver.new
#> page.run
#> page.convert

它没有被重构。只是概念证明。你需要考虑性能。

我可能会使用 gem Sidekiq 在后台运行它并将结果移动到主线程。

Answer 2

检查Tabula-Extractor 项目，并检查它在NYPD Moving Summonses Parser 和CompStat criminal complaints parser 等项目中的使用情况。

Answer 3

Ryan Bates 在他的 rails casts 中介绍了 csv 导出 > http://railscasts.com/episodes/362-exporting-csv-and-excel 这可能会给你一些建议。

编辑：正如您现在提到的，您需要上传 PDF 中的原始数据，您可以使用 JavaScript 读取 PDF 文件并将数据填充到 Ryan Bates 的导出方法中。以下问题很好地涵盖了阅读 PDF：

extract text from pdf in Javascript

我想流程会是这样的：

PDF new action
    user uploads PDF 

PDF show action
    PDF is displayed
    JavaScript reads PDF
    JavaScript populates Ryan's raw data
    Raw data is exported with PDF data included