閱讀PDF文件獲取結構化格式的表格數據，

Question

我必須閱讀一個pdf文件，其中包含一個包含多列的表格。使用iTextSharp我能夠讀取文件，但我得到一堆非格式文本。我無法構造數據，因此我可以插入到數據庫中。

有什麼建議嗎？

Answer 1

我總結有沒有直截了當的方式來做到這一點。至少以表格格式讀取數據。我嘗試了Mark提供的建議，但根據我的要求，似乎並不可行。

Answer 2

如果我理解正確，pdf文本就會被定位存儲，所以它沒有行或列的概念。這意味着您必須根據您從不同列中讀取的「可能性」使用啓發式。

您可以嘗試通過比較單詞之間的空間量來做到這一點。 （我不熟悉ITextSharp接口，所以請原諒我，如果我提到它無法使用的東西......我大多很熟悉pdfNet。

剛纔找到的另一個想法是，如果文字具有視覺線索，如垂直線分隔的列。如果是這樣的話，你應該能夠拿出試探法來確定文本向左或列線的權利。

...

然而最好的事情，如果可能的，是得到啊以數據庫友好的格式存儲舊數據。從長遠來看，這可能會挽救心痛。

賈森 -

Answer 3

除非它的結構化文本沒有標籤顯示列。像PdfBox這樣的工具可以'猜測'來嘗試提取表格。

有文章解釋爲什麼文本提取是如此難以在http://pdf.jpedal.org/java-pdf-blog/bid/12670/PDF-text