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。
最佳答案
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。
关于excel - 提取PDF文档的特定部分,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/14123805/