从表单文档中提取信息

Question

我目前正在做一个 python 项目，我需要从 pdf 文档中提取一些信息。对于所有文档，要提取的信息列表都是相同的。 pdf 是各种语言的结构化文档，可以同化为表单文档。

我想知道它们是否是任何机器学习模型，或者允许我解决此任务的方法。 :)

不同pdf文档的样本 Sample 1 Sample 2

我想提取货币和初始发行日期，因此它将作为输入：(EUR,30 Janvier 2013) 第一个样本和第二个样本 (EUR,2009 年 1 月 29 日)。

马克西姆

Answer 1

您是否尝试从特定的行/列等中提取信息，并且至少对于大多数行/列，pdf 的格式是否始终相同？如果是这种情况，您可能不需要 ML 模型，只需使用 awk 或 sed。

更新答案：

首先使用 pdftotext 或类似的东西将 pdf 解析成文本文件。 一个你把它变成这样的格式（换行符是可选的）到一个名为“yourfile.txt”的文件中：

Note Currency   EUR
Trade Date  16 January 2009
Initial Issue Date 29 January 2009

Note Currency   EUR
Trade Date  16 January 2009
Initial Issue Date 29 January 2009

Note Currency   EUR
Trade Date  16 January 2009
Initial Issue Date 29 January 2009

你可以使用

awk '$1 == "Note"{print "\(" $3}' yourfile.txt  > out1
awk '$2 == "Issue" {print ", "$4" " $5" " $6"\)"}' yourfile.txt > out2
paste -d" " out1 out2 > formatted.txt

您的格式化结果现在将保存在一个名为 formatted.txt 的文件中。