excel - 提取PDF文档的特定部分

Question

已关闭。此问题不符合 Stack Overflow guidelines 。目前不接受答案。

---

要求提供代码的问题必须表现出对所解决问题的最低限度的了解。包括尝试的解决方案、为什么它们不起作用以及预期结果。另请参阅:Stack Overflow question checklist

已关闭 9 年前。

Improve this question

我有多个 (30) PDF 文件，每个包含 48-96 页。所有页面的布局都是相同的，只有其他内容(数字、图表)。

背景:这些页面是光纤电缆测量的 PDF 报告，我必须按电缆的衰减对它们进行排序。由于保密问题，我很遗憾无法提供示例文件。

为了验证这些报告，我们正在做一些控制样本，这就是为什么我需要对报告进行排序。现在的问题是:如何将所有 pdf 文件中所有页面的非常特定部分导出为我可以排序的某种格式？

正如已经提到的，值在页面上的位置非常具体。它也是已经“解析”的内容，因此它可以在 PDF 文件中“作为文本”使用，因此不会被扫描，不需要 OCR。

感谢任何帮助。我目前不知道如何解决这个问题，可能是一些可以做类似事情的工具，或者是解决这个问题的编程方法。

Answer 1

正如您在对原始问题的评论中指出的那样，您已准备好编写解决方案。我建议使用 Java 和 iText PDF 库。它使您能够从文档中提取文本，只要文本实际上是可提取的(您实际上可以将字形放入 PDF 中，但删除从字形到字符的映射)。

您可以在 ExtractPageContent* samples for chapter 15 中找到使用 iText 提取 PDF 文本的示例代码。的iText in Action — 2nd Edition 。特别是ExtractPageContentArea对您的案例感兴趣。

本质上，您只需要获取该示例并对其进行概括，即可从页面上的多个区域中提取文本。