pdf - 如何从命令行以CSV格式从PDF提取表数据？

Question

我想从here中提取所有行，而忽略列标题以及所有页面标题，即Supported Devices。

pdftotext -layout DAC06E7D1302B790429AF6E84696FCFAB20B.pdf - \
 | sed '$d'                                                  \
 | sed -r 's/ +/,/g; s/ //g'                                 \
 > output.csv

生成的文件应为CSV电子表格格式(逗号分隔的值字段)。

换句话说，我想改进上述命令，以使输出完全不会制动。有任何想法吗？

Answer 1

我也会为您提供另一种解决方案。

尽管在这种情况下pdftotext方法可以尽力而为，但是在某些情况下，并非每个页面都有相同的列宽(如您的良性PDF所示)。

在这里，不太知名但很酷的免费和开源软件 Tabula-Extractor 是最佳选择。

我本人正在使用直接GitHub checkout :

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

我为自己编写了一个非常简单的包装器脚本，如下所示:

$ cat ~/bin/tabulaextr

 #!/bin/bash
 cd ${HOME}/svn-stuff/git.tabula-extractor/bin
 ./tabula $@

由于 ~/bin/在我的 $PATH中，所以我才运行

$ tabulaextr --pages all                                 \
         $(pwd)/DAC06E7D1302B790429AF6E84696FCFAB20B.pdf \
        | tee my.csv

从所有页面提取所有表格并将其转换为单个CSV文件。

CVS的前十行(总共8727条)如下所示:

$ head DAC06E7D1302B790429AF6E84696FCFAB20B.csv 

 Retail Branding,Marketing Name,Device,Model
 "","",AD681H,Smartfren Andromax AD681H
 "","",FJL21,FJL21
 "","",Luno,Luno
 "","",T31,Panasonic T31
 "","",hws7721g,MediaPad 7 Youth 2
 3Q,OC1020A,OC1020A,OC1020A
 7Eleven,IN265,IN265,IN265
 A.O.I. ELECTRONICS FACTORY,A.O.I.,TR10CS1_11,TR10CS1
 AG Mobile,Status,Status,Status

在原始PDF中如下所示:

甚至在最后一页293的右边都有这些行:

 nabi,"nabi Big Tab HD\xe2\x84\xa2 20""",DMTAB-NV20A,DMTAB-NV20A
 nabi,"nabi Big Tab HD\xe2\x84\xa2 24""",DMTAB-NV24A,DMTAB-NV24A

在PDF页面上看起来像这样:

TabulaPDF和Tabula-Extractor对于这样的工作真的非常酷!

更新资料

这是ASCiinema的截屏视频(您也可以 download 并借助 asciinema命令行工具在Linux / MacOSX / Unix终端中本地重播):