如何在Rails 4中将PDF转换为Excel或CSV

Question

我找了很多东西。我别无选择，除非在这里问这个。你们知道一个在线转换器，它有API或Gem/s，可以将PDF转换成Excel或CSV文件吗？

我也不确定这里是不是问这个的最好的地方。

我的应用程序在Rails 4.2中。PDF文件包含一个头部和一个包含大约10列的大表。

更多信息:用户通过表单上传PDF，然后我需要抓取PDF解析到CSV并读取内容。我试着用阅读内容，但是结果并不是很有希望。

我使用了：freepdfconvert.com/pdf-excel，不幸的是，没有提供API。(我已经联系过他们)

样本PDF

​

​

这段代码将PDF转换成文本，这很方便。Gem：pdf-reader

 def self.parse
    reader = PDF::Reader.new("pdf_uploaded_by_user.pdf")
    reader.pages.each do |page|
      puts page.text
    end
  end

现在，如果您检查附带的PDF示例，您将看到一些字段可能是空的，这意味着我不能用空格拆分文本行并将其放入数组中，因为我无法将数组映射到正确的字段。

谢谢。

Answer 1

好吧，经过大量的研究，我找不到一个API，甚至一个合适的软件来完成它。我是怎么做到的。

我首先使用这个API pdftables将表从PDF中提取到表中。它很便宜。

然后将HTML表转换为CSV。

(这并不理想，但有效)

以下是代码：

require 'httmultiparty'
class PageTextReceiver
  include HTTMultiParty
  base_uri 'http://localhost:3000'

  def run
    response = PageTextReceiver.post('https://pdftables.com/api?key=myapikey', :query => { f: File.new("/path/to/pdf/uploaded_pdf.pdf", "r") })

    File.open('/path/to/save/as/html/response.html', 'w') do |f|
      f.puts response
    end
  end

  def convert
    f = File.open("/path/to/saved/html/response.html")
    doc = Nokogiri::HTML(f)
    csv = CSV.open("path/to/csv/t.csv", 'w',{:col_sep => ",", :quote_char => '\'', :force_quotes => true})
    doc.xpath('//table/tr').each do |row|
      tarray = []
      row.xpath('td').each do |cell|
        tarray << cell.text
      end
      csv << tarray
    end
    csv.close
  end
end

现在像这样运行它：

#> page = PageTextReceiver.new
#> page.run
#> page.convert

这不是被重构的。只是概念的证明。你需要考虑性能。

我可以使用gem Sidekiq在后台运行它，并将结果移动到主线程。

Answer 2

检查塔布拉-萃取器项目，并检查如何在纽约警察移动传票分析器和CompStat刑事投诉解析器这样的项目中使用它。

Answer 3

Ryan在rails中介绍csv导出> http://railscasts.com/episodes/362-exporting-csv-and-excel，这可能会给您提供一些提示。

编辑:正如您现在提到的，您需要从上传的PDF中获取原始数据，您可以使用JavaScript读取PDF文件，并将数据填充到Ryan的导出方法中。阅读PDF的内容在以下问题中得到了很好的介绍：

从Javascript中的pdf中提取文本

我会想象这样的流动：

PDF new action
    user uploads PDF 

PDF show action
    PDF is displayed
    JavaScript reads PDF
    JavaScript populates Ryan's raw data
    Raw data is exported with PDF data included