分析的PDF文档中基于表的内容并不总是按行顺序显示。

Question

我试图解析一些PDF文档(1.7格式)来提取数字数据。

我正在使用python矿工软件包，它工作得很好。

对于大多数文档，表中的一行将转换为单个文本字符串。但有时两个相邻的行会将内容交织成一个字符串。例如：

The visual appearnce within the PDf is as follows

LZX DEC-18         13.95 .00 0     0 0 0 0 0 0
Totals for LZX:              0 3 481 0 0 0 0 0

But the extracted text looks like this, appearing in column rather than row order

---
LZX
Totals for LZX:

DEC-18

13.95

.00

0
0

0
3,481

0
0

0
0

0
0

0
0

0
0

我看不到PDF矿工脚本中的任何选项会改变这一点。因此，我假设这与最初创建PDF文档的方式有关？

这使得解析非常困难，因此知道何时会发生这种情况是非常方便的。

Answer 1

我最初对PDF渲染的假设是，它将类似于打印机执行的光栅牡蛎。也就是说，文本将首先在一行内从左到右创建，然后从一行向下移动。

但是要意识到这是不正确的，PDF生成程序设置的渲染模式更像X绘图仪所能产生的结果，强调的是物体的接近度而不是扫描方向。

我的结论是PDF扫描本质上是困难的，因为对于页面中的文本排序没有任何假设。在可能的情况下，解决方案是返回到生成PDF的源文档。如果它的结构是表格式的，那么很可能很容易从这种格式中检索所有数据。