将.pdf文件转换为excel (.xls)

Question

我的一个正在实习的朋友2小时前问我是否可以帮助他避免手动做462 pdf文件到.xls使用免费的在线软件。

我想到了一个使用unoconv的外壳脚本，但我不知道如何正确使用它，我不确定unoconv是否能解决这个问题，因为它主要将文件转换为pdf，而不是相反的东西。

Answer 1

从PDF到任何其他结构化格式的转换并不总是可能的，通常不建议这样做。

话虽如此，这看起来确实像是一次性的工作，而且有相当多的人(462)。

如果你能可靠地从它们中的大多数中提取文本，并且结构合理，那么它是值得追求的。这是一个试图在PDF样本中获得常规文本输出的问题，您可以可靠地将其解析为表结构。

有很多工具可以直接或基于OCR进行文本提取，谷歌就是一个例子。

我喜欢的一个是ghostscript套件中的pstotext；-bboxes选项允许我获得每个单词的坐标，并让我重新组装结构。尽管它的名字叫它，但它确实可以在输入PDF上工作。缺点是它可能有点古怪，可以在一些PDF上工作，但不能在其他PDF上工作。

如果您做到了这一点，那么您很可能需要编写一个shell脚本或程序来将其转换为CSV。您可以通过电子表格直接打开它，也可以寻找工具将其转换为XLS。

如果他还没有，让实习生询问是否有任何可能的方法来获得用于创建PDF的原始数据，这将节省大量的时间和精力，并导致更准确的结果。

Perl pstotext的一个替代方法是renderpdf.pl命令，它包含在Perl CAM::PDF模块中。更健壮，但只报告文本(x，y)位置，而不是边界框。