在 Ruby 中从 PDF 文件中提取表格答案

【问题标题】：Extracting Tables from PDF files in Ruby在 Ruby 中从 PDF 文件中提取表格
【发布时间】：2017-01-28 19:16:04
【问题描述】：

提取嵌入在 PDF 文档中的表格的最佳方法是什么？

我对仅适用于 JRuby 或使用第三方 API 或网站的解决方案不感兴趣。

你能分享一些关于如何提取表的 Ruby 代码吗？哪些宝石最适合这项工作？

我敢肯定之前有人遇到过同样的问题 :) 感谢您的帮助！

【问题讨论】：

从 PDF 文件中提取以结构化布局组织的数据比您预期的要困难得多，而且您不太可能获得适用于任意 PDF 文件的非常可靠的解决方案。
我有一家公司生成的 PDF 文件，所以我希望他们不要更改他们的 PDF 生成工具，并且始终使用相同的格式
你想用这些表做什么？你想要它们为 html 格式吗？文本格式？
我想从表格中提取文本并将数据作为每列/行的字符串获取
@ZachTuttle 的answer 和mine 都可以解决这个问题。

标签： ruby-on-rails ruby

【解决方案1】：

您可能想看看这个答案 (How to convert PDF to Excel or CSV in Rails 4)。它解决了您尝试解决的相同问题。

【讨论】：

感谢您的回答，但很遗憾我无法使用第三方 API/站点来处理 PDF，因为它们包含机密数据
@Tilo：AFAIK，这个 gem 在本地提取表格，不需要任何第三方来处理 PDF。当然，您需要信任代码，但您可以在启动之前对其进行审核。

【解决方案2】：

查看这颗宝石，我认为这就是您要寻找的东西：pdf-readergem

【讨论】：

这看起来不错，但我没有看到对表格的任何特殊处理

【解决方案3】：

您可以使用poppler 从 pdf 中提取数据。根据您的具体要求，这可能就足够了。

def extract_to_text(pdf_path)
  command = ['pdftotext', Shellwords.escape(pdf_path)].join(' ')
  `#{command}`
end

def extract_to_html(pdf_path)
  command = ['pdftohtml', Shellwords.escape(pdf_path)].join(' ')
  `#{command}`
end

这些命令会将 pdf 分别提取为 html 文件和文本文件，并保存在您的 pdf 所在的同一位置。

您可以使用 homebrew 在 Mac 上安装 poppler：

brew install poppler

【讨论】：

这可能是一个有趣的链接github.com/ashima/pdf-table-extract 来进行实际的表提取
@Tilo 是的，看起来很有希望。它在 Python 中，但你可以模仿逻辑。

【解决方案4】：

有一个名为 Iguvium 的 gem 正是这样做的。这是一个例子

pages = Iguvium.read('filename.pdf')
tables = pages.first.extract_tables!
csv = tables.first.to_a.map(&:to_csv).join

【讨论】：