如何在数千个 PDF 文件中抓取表格？

Posted 2023-02-23

【中文标题】如何在数千个 PDF 文件中抓取表格？

【英文标题】：How to scrape tables in thousands of PDF files?

【发布时间】：2014-09-27 07:26:56

【问题描述】：

我有大约 1'500 个 PDF，每个 PDF 仅包含 1 页，并且具有相同的结构（例如，请参阅 http://files.newsnetz.ch/extern/interactive/downloads/BAG_15m_kzh_2012_de.pdf）。

我正在寻找一种方法来迭代所有这些文件（如果可能，在本地）并提取表的实际内容（作为 CSV，存储到 SQLite DB 中，等等）。

我很想在 Node.js 中执行此操作，但找不到任何合适的库来解析此类内容。你知道吗？

如果在 Node.js 中不可能，如果有更好的方法可用，我也可以用 Python 编写代码。

【参考方案1】：

我以前不知道这个，但是less 具有阅读 pdf 文件的神奇能力。我能够使用此脚本从您的示例 pdf 中提取表格数据：

import subprocess
import re

output = subprocess.check_output(["less","BAG_15m_kzh_2012_de.pdf"])

re_data_prefix = re.compile("^[0-9]+[.].*$")
re_data_fields = re.compile("(([^ ]+[ ]?)+)")
for line in output.splitlines():
    if re_data_prefix.match(line):
        print [l[0].strip() for l in re_data_fields.findall(line)]

【讨论】：

我写了一些我最终想出的解决方案：timogrossenbacher.ch/2014/11/…