从PDF和Excel中抓取数据

Question

我正在做一些数据抓取，有3种类型的文件，我正在抓取数据。

1- HTML

2- PDF

3- Excel(xls)

对于HTML，我觉得很舒服，我正在使用HTML Agility。

对于PDF和excel，我需要任何人的建议。

提前谢谢。

Answer 1

关于Excel。如果您在MS环境中，则可以执行Office Automation或使用OLEDB。在Java环境中，查看Apache POI。

编辑:关于Java中的PDF，试试Apache PDFBox。还可以使用IKVM在.NET中工作

Answer 2

我可以推荐Cogniview's PDF2XL，一个相当便宜的商业产品，可以从PDF文件中的表格中提取数据到Excel中。我们使用它取得了巨大的成功。

Answer 3

HTML Agility是一个库。它很好用。但是，为什么您需要不同的工具来实现不同的数据提取目的呢？使用Automation Anywhere从任何来源提取数据。据我所知，它将适用于您指定的所有三个来源。用谷歌搜索一下。