PDF数据和表格刮到Excel

我试图找出一个很好的方法来提高我的数据录入工作的生产力。

我正在做的是想办法从PDF中抓取数据并将其input到Excel中。

更具体地说，我正在使用的数据来自杂货店传单。 现在，我们必须手动input传单中的每一笔交易到数据库中。 传单样本是http://weeklyspecials.safeway.com/customer_Frame.jsp?drpStoreID=1551

我希望做的是有产品，价格和预定义的选项（忠诚卡，优惠券，select品种…等）的列。

任何帮助将不胜感激，如果我需要更具体让我知道。

Answer 1

在查看OP链接的特定PDF之后，我不得不说，这并不是一个典型的表格格式。

它包含“单元格”内部的许多图像，但单元格并非全部严格垂直或水平alignment：

所以这甚至不是一个“好”的桌子，而是一个非常丑陋和尴尬的桌子。

---

话虽如此，我必须补充：

一般从PDF 中提取“好”的表格是非常困难的…

标准PDF不提供任何关于它们在页面上绘制的语义的提示：语法提供的唯一区别是向量元素（线条，填充…），图像和文本之间的区别。

不pipe是任何字符是表格的一部分还是行的一部分，或者只是一个孤独的单个字符，在其他空白的区域内，通过parsingPDF源代码都不容易通过编程来识别。

有关为什么PDF文件格式永远不会被认为适合托pipe可抽取的结构化数据的背景 ，请参阅以下文章：

为什么更新文件是如此困难 （ProPublica-Website）

…但TabulaPDF这样做的工作非常好！

说了上面现在让我补充一点：

• 对于一个惊人的开源工具系列，每周都会从PDF中提取表格数据（除非是扫描的页面），这些工具每周都会变得越来越好， 这与我在引入段落中所说的内容相矛盾 ！ – 检查TabulaPDF 。 看到这些链接：

  • Tabula简介：上载PDF，取回表格CSV数据。 噗！
  • Tabula-Extractor：Tabula的命令行界面
  • Tabula源代码库
  • Tabula API（即将到来，还没有准备好）

Tabula-Extractor是用Ruby编写的。 在后台使用PDFBox（用Java编写）和一些其他的第三方库。 要运行，Tabula-Extractor需要安装JRuby-1.7。

---

安装Tabula提取器

我直接从GitHub源代码库使用Tabula-Extractor的“最新版”版本。 让它工作是非常容易的，因为在我的系统上JRuby-1.7.4_0已经存在：

mkdir ~/svn-stuff cd ~/svn-stuff git clone https://github.com/tabulapdf/tabula-extractor.git git.tabula-extractor 

包含在这个Git克隆将已经是所需的库，所以不需要安装PDFBox。 命令行工具位于/bin/子目录中。

浏览命令行选项：

 ~/svn-stuff/git.tabula-extractor/bin/tabula -h Tabula helps you extract tables from PDFs Usage: tabula [options] <pdf_file> where [options] are: --pages, -p <s>: Comma separated list of ranges, or all. Examples: --pages 1-3,5-7, --pages 3 or --pages all. Default is --pages 1 (default: 1) --area, -a <s>: Portion of the page to analyze (top,left,bottom,right). Example: --area 269.875,12.75,790.5,561. Default is entire page --columns, -c <s>: X coordinates of column boundaries. Example --columns 10.1,20.2,30.3 --password, -s <s>: Password to decrypt document. Default is empty (default: ) --guess, -g: Guess the portion of the page to analyze per page. --debug, -d: Print detected table areas instead of processing. --format, -f <s>: Output format (CSV,TSV,HTML,JSON) (default: CSV) --outfile, -o <s>: Write output to <file> instead of STDOUT (default: -) --spreadsheet, -r: Force PDF to be extracted using spreadsheet-style extraction (if there are ruling lines separating each cell, as in a PDF of an Excel spreadsheet) --no-spreadsheet, -n: Force PDF not to be extracted using spreadsheet-style extraction (if there are ruling lines separating each cell, as in a PDF of an Excel spreadsheet) --silent, -i: Suppress all stderr output. --use-line-returns, -u: Use embedded line returns in cells. (Only in spreadsheet mode.) --version, -v: Print version and exit --help, -h: Show this message 

提取OP要的表

我甚至没有试图从OP的怪物PDF中提取这个丑陋的表格。 我会把它作为一个练习足够的冒险这些读者的运动…

相反，我将演示如何提取一个“好”的表。 我将从官方PDF-1.7规范中获取第651-653页，这里用截图表示：

我用这个命令：

  ~/svn-stuff/git.tabula-extractor/bin/tabula \ -p 651,652,653 -g -n -u -f CSV \ ~/Downloads/pdfs/PDF32000_2008.pdf 

将生成的CSV导入LibreOffice Calc后，电子表格如下所示：

对我来说，这看起来像是一个表格的完美提取，它分布在3个不同的PDF页面上。 （即使表格单元格中使用的换行符也将其纳入电子表格中。）

---

更新

这里是一个ASCiinema屏幕录像（你也可以在asciinema命令行工具的帮助下，在你的Linux / MacOSX / Unixterminal上本地下载和重新播放），由tabula-extractor主演：