从PDF文件中提取每个句子到Excel中的单独单元格？
正如标题所示，我有一个文件需要将每个句子提取到Excel中的单元格，每个单元格一个。
句子提取可以像find下一个". "一样简单，并提取到一个单元格。 问题是除了MATLAB之外，我真的不知道任何编程语言（我是机械工程师）。
如果它可以忽略表格/图片的真棒，如果没有，它可以很好，只要它遇到一个表/图片时不会搞砸。 我知道我没有给你很多工作，但任何帮助表示赞赏。
你没有告诉你，你想如何把你的“句子单元”展开…
-
简答：这是不可能的。
-
扩展答案：这是相当困难的，也取决于您的具体PDF文件。 一些PDF文件根本不适合文本提取。
-
你可以尝试下面的命令，它试图把每个句子都捕获到一个CSVtypes的表中（只有一列，行数等于总句数）
pdftotext -layout -x 10 -y 20 -W 400 -H 490 the.pdf - \ | tr "\\n" " " \ | perl -pe 's#\f# #g' \ | perl -pe 's#\. #.\n#g' \ | perl -pe 's#\? #?\n#g' \ | perl -pe 's#\! #!\n#g' \ | sed 's#^#"#' \ | sed 's#$#",#' \ | tee myvalues.csv这个例子适用于我创build的样本2页PDF来快速testing我的上述命令。 PDF的屏幕截图：
以上命令适用于Linux和Mac OS X. （对不起，没有时间想出一个等效的Windows版本！）
要理解这个命令如何（和IF）为您的 PDF工作，一步一步前进：
-
第一次尝试执行第一行 （仅删除最后的
\符号，这是一个行连续标记 ）。 该第一行将仅从PDF中提取文本并将其打印在标准输出通道上。 如果这不起作用，所有其他线路也不会。-x .. -y .. -W .. -H ..参数试图通过select一个左上angular的矩形坐标angular（x和y）以及页面区域宽度（W）和高度（H）来限制正好在该区域上的文本提取。 -
在第二次尝试中执行前两行 （在第一行保留行连续标记，摆脱第二行上的标记）。 第二行从第一行取出输出，并用空格字符replace每个换行符。 因此，您将在一行中拥有一个页面的所有内容。
-
在第三次尝试中执行前三行（在第一行和第三行上保留行连续标记，在第三行上除去标记）。 第三行从前两行输出，并用空格字符replace每个换页字符。 这些换页字符可能会出现在分页符出现的原始输出中，有时在一个句子中。 （或者，您可以将
-nopgbrk添加到原始pdftotext命令中，以避免插入分页符。）因此，您将在一行中包含所有页面的所有内容。 -
最后，执行上面给出的所有行 。 第四行代替所有的事件
.（冒号后跟一个空格）换行符。 第五行和第六行打破由问号和惊叹号结束的句子。 第七行和第八行用行结束，用逗号结束每一行。 最后一行将结果input到文件myvalues.csv
这是输出结果的外观：
"this is a paragraph.", "this is a sentence.", "this is a sentence.", "this is a sentence.", "this is a sentence.", "this is a sentence.", "this is a sentence.", "this is a sentence.", "this is a sentence.", "this is a sentence.", "this is a paragraph.", "this is a sentence.", "this is a sentence.", "this is a sentence.", [....] "this is a sentence.", -
如果命令按照您的要求工作，它将返回一个CSV（逗号分隔值）文本文件。 这种types的文本文件可以很容易地导入到Excel中。