我有一个包含表格的PDF文件,格式如下:
现在;我需要从每行的特定列中提取数据以插入数据库中。 如何仅使用 javascript 或 python 提取我想要的列?
我已经尝试过手动方式,但这还不够。
我希望将原始数据放入变量(数组或列表)中。
============================================ 更新:
我决定使用python,库的名字是tabula;我使用 pip 安装它:
pip install tabula-py
您将 pdf 传递到图书馆并指定表格的页面。我的问题中表格的输出看起来很神奇:
最佳答案
我用过pdfjs-dist提取 pdf 中的项目,并应用一些规则来识别表格元素。提取的项目不仅有文本信息,而且只有一个名为“transform”(变换矩阵)的属性,其中包含坐标信息,也可以用来标识表格元素。
第一件事是找到表的开头。在许多情况下,标题是相同的,因此您可以利用这些单词来找到开头。一行中的第一个表格元素可能共享相同的坐标,这也可以提供表格开始位置的线索。识别出表格的开头后,由于所有表格都是固定宽度的,因此可以将项目划分到某些列。请注意,单个单元格中可能有多于一行,因此您需要将它们组合起来。
关于javascript - 如何从PDF文件中的表格中提取数据?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/57410061/