我必须定期浏览 pdf 文件列表并搜索特定数据并将它们添加到 Excel 表中以供以后查看。由于 pdf 文件的数量约为每月 50 个，因此手动操作既费时又令人沮丧。
这个过程可以在 windows 中通过 python 或任何其他脚本语言自动化吗？我需要将所有 pdf 文件放在一个文件夹中并运行脚本，该脚本将生成一个添加了所有数据的 excel 表。我使用的 pdf 文件是表格的并且具有相似的结构。
【问题讨论】：
是的。和不。也许。
这里的问题是没有从 PDF 文档中提取 一些东西。提取something 几乎总是可行的，并且有很多工具可用于从 PDF 文档中提取内容。文字、图片，随心所欲。
主要问题（以及“否”或“可能”的原因）是 PDF 通常不是结构化文件格式。它不关心列、段落、表格、句子甚至单词。在一般情况下，它只关心页面上特定位置的字符。
这意味着在一般情况下，您不能查询 PDF 文档并针对每个段落或第五段中的第三句询问它。您可以要求图书馆获取所有文本或特定位置的所有文本。然后你必须希望图书馆能够以清晰的格式提取你需要的文本。因为您甚至不必从 PDF 文件中复制和粘贴或以其他方式获得额外可理解的字符。许多 PDF 文件甚至没有包含足够的信息。
所以...如果您有某种类型的文档，并且您可以使用某个提取引擎测试它是否以某种方式可预测地表现，那么是的，您可以从 PDF 文件中提取信息。
如果您收到的 PDF 文件总是不同，或者页面上的布局每次都完全不同，那么答案可能是您无法可靠地提取所需的信息。
附带说明：
某些类型的 PDF 文档比其他类型的文档更容易处理，所以如果你幸运的话，这可能会让你的生活更轻松。两个例子：
许多 PDF 文件将实际上包含文本信息，以便可以以清晰的方式提取。遵循某些标准的 PDF 文件（例如 PDF/A-1a、PDF/A-2a 或 PDF/A-2u 等...）甚至需要以这种方式创建。
某些 PDF 文件被“标记”，这意味着它们包含额外的结构信息，使您能够以更简单、更有意义的方式提取信息。这种结构实际上可以识别段落、图像、表格等，如果标记做得好，它可以使内容提取工作更容易。
【讨论】：
您可以在 Python 中使用pdf2text2 从您的 PDF 中提取数据。
或者，您可以使用 pdftotext，它是 Xpdf suite 的一部分
【讨论】：