如何从格式糟糕的PDF中提取表？

Question

我的客户需要一个CSV，名字，姓，道布，从他们的会计数据库。

问题是，他们的会计软件是“在云中”(因此，在别人的电脑中，世界上的任何人都可以自由访问)，这个pdf应用程序所能做的就是生成格式非常糟糕的“欢迎卡pdf"，如下所示

hi <newline>
<lots of spaces>my name is %name% <lots of spaces> %surname%
<lots of newlines and spaces to simulate text alignment to the right>I was born in %dob
<newpage>

所以，我所能得到的就是一个500页的PDF，里面有这些无法使用的内容。

有办法从这样的文件中提取数据吗？

Answer 1

重要的是要知道您是必须多次执行此操作，还是只需执行一次到一个500页的文件。我只能假设一次。

在这种情况下，将PDF转换为XML (如果可能的话)或文本文件(许多可用的转换器--只有google)。

那么，重要的是要知道是否所有的“记录”都是以相同的方式格式化的--格式也是如此：.firstname...lastname...dob...addressline1...(在那里.是你不想要的东西)

是否总是有‘标签’或‘标签’告诉你下一步是‘地址行1’，或者如果一个值被遗漏了，你能分辨出来吗？

如果结构总是相同的，并且您可以判断值是否不在此记录中，那么您就有机会编写regex表达式，将其转换为一种体面的格式。否则，这将是非常困难的，但你可能能够收获很多(如果不是全部)的信息。

Answer 2

我做到了！谢谢你的提示，这就是我如何使无用的PDF变成一个有用的CSV：

1. 我使用cloudconvert.com将PDF转换为TXT。
2. 我观察了这个文件是如何使用cat -A的
3. 我注意到在所有有用的数据之前都有一条换行符
4. 我注意到每个页面都以表单提要字符结尾。
5. 我用;替换了每个换行符
6. 我用换行符替换了每个表单提要字符。
7. 我在Libreoffice中导入了(新制作的) CSV，并删除了无用的列