如何从 PDF 文件中的表格中提取数据？答案

【问题标题】：How to extract data from a table in a PDF file?如何从 PDF 文件中的表格中提取数据？
【发布时间】：2019-08-08 10:04:23
【问题描述】：

我有一个包含表格的PDF文件，格式是这样的：

现在；我需要从每一行的特定列中提取数据以插入数据库。如何仅使用 javascript 或 python 提取我想要的列？

我已经尝试过手动方式，但这还不够。

我希望将原始数据放入变量（数组或列表）中。

=========================================== 更新：

我决定用python，库的名字是tabula；我使用 pip 安装了它：

pip install tabula-py

您将 pdf 传递给库并指定表格的页面。我的问题中表格的输出看起来像这样神奇：

【问题讨论】：

【解决方案1】：

我使用pdfjs-dist 提取pdf 中的项目，并应用一些规则来识别表格元素。提取出来的item不仅有文本信息，而且只有一个叫做“transform”（变换矩阵）的属性，其中包含坐标信息，也可以用来识别表格元素。

首先要找到表的开头。在许多情况下，标题是相同的，因此您可以利用这些词来寻找开始。一行中的第一个表格元素可能共享相同的坐标，这也可以提供表格从哪里开始的线索。确定表格的开头后，由于所有表格都是固定宽度的，因此可以将项目划分为某些列。请注意，单个单元格中可能有不止一行，因此您需要将它们组合起来。

【讨论】：

【解决方案2】：

您可以尝试 AWS Textract。它具有提取表格的功能，可以将数据作为 csv/json 格式提供给您。

您可以查看更多相关信息here

【讨论】：

没有办法使用 python 或 javascript 库解析 pdf 吗？亚马逊 AWS T 需要信用卡
实际上有可用于 python 的 textract 库。链接：textract.readthedocs.io/en/stable 不过这不是一回事。你可以试试看。如果您需要更多的准确性和功能以及它的业务用例，那么 aws 不是一个糟糕的选择。