PDF表格数据

Question

我有一个关于从pdf文件中提取文本，准确地说是表格数据的一般问题。

pdf查看器如何读取和显示表格？为什么我们不能以同样的方式获取必要的列信息呢？

我已经搜索了一个星期，主要是使用pdftoxml处理令牌坐标和太宽的表格单元格(这样就不可能准确地识别中间的空表格单元格)。

我为我的一堆pdf文件解决了这个问题，方法是重新展开文本(顺便说一下。如果行与行之间的距离被否定并“粘贴回一起”，则逐行实现是非常成功的)，但这当然只是一个实例解决方案。

这让我有点头疼。pdf查看器为单元格绘制线条，并知道单元格的开始和结束位置，但我们无法从pdf源文件中读取这些内容。这怎么可能呢？他们知道什么是我们不能推断的？

Answer 1

您的误解是将列作为列存储在PDF文件中。事实并非如此。PDF查看器无法理解表格、列、段落、文本行或单词。

PDF是作为页面描述语言创建的，它非常擅长在许多不同的设备上重现完全相同的页面。因为这是它的目标，它不关心结构，而你指的是所有的结构。

PDF绘制文本的方式非常非常简单。页面上的说明如下所示：

• Set this font
• 转到页面上的这一点
• 呈现这些字符。
• 转到页面上的另一点
• 呈现更多字符。

虽然也可以将一些结构信息与这些指令一起存储在PDF中，但通常不会这样做，它是在事后才以PDF格式实现的。

当你看上面的(伪)指令时，很容易理解表格是如何绘制的。只需在文件中指示移动到某个单元格的某个位置并绘制文本即可。然后是移动到另一个单元格并绘制文本的更多指令。

如果想要反向操作并从PDF页面中提取结构化信息，则必须“重新发明”结构信息。这意味着要找出哪些文本在相同的基线上，因此可能属于同一行。哪些文本在基线上足够接近，因此它可能是单词或列……等等。

正如你已经发现的那样，这不是一件容易的事情！

Answer 2

在未压缩的pdf文档中，存在伪正则表达式形式的以下不确定格式((0,0)位于左下角)的“流对象”：

(x1 y1 m x2 y2 l [whitespace or blank or newline seperator symbol])* S (BT .* ET)*

哪里

x1, y1, x2, y2 are coordinates
l probably for "draw line"
m move to, "from to" or "merge"
S is the command for "draw" or the like
BT Begin Text
ET End Text

所有命令后缀。

编辑：

一种可能的Java regexp是(参考PDF32000_2008.pdf)，在未压缩的pdf源文件中用空格替换换行符之后：

((\s+\d+(\.\d+)?){2}(\s+m|\s+l|(\s+\d+(\.\d+)?){2}(\s+re|\s+y|\s+v|(\s+\d+(\.\d+)?){2}\s+c))\s+)+([SsFn]|[fBb](\*)?) 

在流中还有像"W*“或"Q q”这样的其他元素，它们通常似乎可以调整线条粗细或字体属性。由于我找不到一个特别的语言规范，这就是我从实验中得出的结论。

使用此信息和文本标记的坐标(在ET和BT之间)，可以推断表格单元格宽度、表格开始和结束位置(用于识别不同的表格)。

问题仍然是任何类型的解压缩流。使用pdftk，我能够解压从openoffice writer创建的pdf文件，但任意的pdf文件中仍然有神秘的符号。

更多信息：

http://www.gnupdf.org/Introduction_to_PDF

http://blog.idrsolutions.com/2011/05/understanding-the-pdf-file-format-%E2%80%93-carriage-returns-spaces-and-other-gaps/

http://blog.idrsolutions.com/2012/03/understanding-the-pdf-file-format-names-locations/

http://blog.idrsolutions.com/2011/05/understanding-the-pdf-file-format-%E2%80%93-pdf-xref-tables-explained/

PDF page-stream optimizer library?

http://www.gnupdf.org/Stream