我有以下 pdf 文件 Marsheet PDF m 试图提取示例中显示的数据，我尝试过 PDFParse 、 PDFtoText 等...但无法正常工作有没有解决方案或示例？
<?php
//Output something like this or suggest me if u have any better option
$data_array = array(
array( "name" => "Mr Andrew Smee",
"medicine_name" => "FLUOXETINE 20MG CAPS",
"description" => "TAKE ONE ONCE DAILY FOR LOW MOOD. CAUTION:YOUR DRIVING REACTIONS MAY BE IMPAIRED",
"Dose" => '9000',
"StartDate" => '28/09/15',
"period" => '28',
"Quantity" => '28'
),
array( "name" => "Mr Andrew Smee",
"medicine_name" => "SINEMET PLUS 125MG TAB",
"description" => "TAKE ONE TABLET FIVE TIMES A DAY FOR PD
(8am,11am,2pm,5pm,8pm)
THIS MEDICINE MAY COLOUR THE URINE. THIS IS
HARMLESS. CAUTION:REACTIONS MAY BE IMPAIRED
WHILST DRIVING OR USING TOOLS OR MACHINES.",
"Dose" => '0800,1100,1400,1700,2000',
"StartDate" => '28/09/15',
"period" => '28',
"Quantity" => '140'
), etc...
);
?>
最佳答案
TL;DR 您几乎肯定不会单独使用库 来做到这一点。
Update: a working solution (not a perfect solution!) is coded below, see 'in practice'. It requires:
- defining the areas where the text is;
- the possibility of installing and running a command line tool,
pdf2json.
为什么不容易
PDF 文件包含排版原语，而不是可提取的文本；有时差异很小，您可以通过，但通常只有可提取的文本，易于访问的格式，这意味着文档在美学上看起来“有点错误”，因此创建用于文本提取的“最佳”PDF的生成器是也越少用。
一些生成器同时嵌入了排版层和不可见的文本层，允许看到漂亮的文本并拥有好的文本。您猜对了，代价是 PDF 大小。
在您的示例中，文件中只有漂亮的文本，网格的存在意味着文本 需要 才能正确排版。
所以，在里面，实际上要阅读的是这个。注意圆括号内的字母:
/R8 12 Tf
0.99941 0 0 1 66 765.2 Tm
[(M)2.51003(r)2.805( )-2.16558(A)-3.39556(n)
-4.33056(d)-4.33056(r)2.805(e)-4.33056(w)11.5803
( )-2.16558(S)-3.39556(m)-7.49588(e)-4.33117(e)556]TJ
ET
这就是为什么大多数文本提取库无法轻松管理字符偏移(它们使用“文本行”，并且总的来说它们不关心网格)会给你类似的东西
Mr Andrew Smee 505738 12/04/54 (61
MrAndrewSmee50573812/04/54(61
任何与空间相关的信息(例如，如果一个名字写在左边的“发件人”或右边的“收件人”框中，则它具有不同的含义)要么丢失，要么难以重建。
有PDF“保护”方案利用偏移文本的能力，并且会打乱字符串。使用偏移量，您可以编写:
9 l 10 d 4 l 5 1 H 2 e 3 l o 6 W 7 o 8 r
尝试使用大多数库，以及为什么它可能会起作用(但可能不会)
诸如 XPDF(及其包装器 phpxpdf、pdf2html 等)之类的库会给您一个简单的调用，例如
// open PDF
$pdfToText->open('PDF-book.pdf');
// PDF text is now in the $text variable
$text = $pdfToText->getText();
$pdfToText->close();
...
START DATE START DAY
WEEK 1 WEEK 2 WEEK 3 WEEK 4
DATE 28 29 30 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
19/10/15
Medication Details
Commencing
D.O.B
Doctor
Hour:Dose 1 2 3 4 5 6 7 1 2 3 4 5 6 7 1 2 3 4 5 6 7 1 2 3 4 5 6 7
Patient
Number
Period
MEDICATION ADMINISTRATION RECORD SHEETS Pharmacy No.
Document No.
02392 731680
28
0900 1
TAKE ONE ONCE DAILY FOR LOW MOOD.
CAUTION:YOUR DRIVING REACTIONS MAY BE IMPAIRED.
28
FLUOXETINE 20MG CAPS
Received Quantity returned quant. by destroyed quant. by
02392 731680 是文件号吗？看起来是(不是)。
另请注意，在 PDF 中，在注释 之前的药物名称为 。在提取的文本中， 之后是 。通过查看 PDF 中的偏移量，您会了解原因，这甚至是一个不错的决定——但查看提取的文本，这并不容易。
所以，自动分析 看起来 很诱人，好像可以做到，但正如我所说，这是一项非常冒险的业务。它是 脆弱的 :有人在文档的某处输入了错误的(为您)文本，有时甚至不按顺序填充字段，将导致 PDF 视觉上是正确的，同时，无法解释的无法解析。你要告诉你的用户什么？
有时， 可用信息的子集足够稳定，您可以完成工作 。在那种情况下，XPDF 或 PDF2HTML，一堆正则表达式，你半天就可以免费回家了。耶你!请记住，对项目的任何“小”添加都可能是不可能的。两个数字相加，在 PDF 中很好地分开；它们是 128 和 361，还是 12 和 8361，或 1283 和 61？你在
$text 中得到的只是 128361 。所以如果你这样做， 清楚地记录它 并避免可能难以维护的期望。您的初始项目可能工作得如此之好，如此之快，以如此之少，以至于您在不知情的情况下接受了添加 - 然后您需要做不可能的事情。解释 why the first 95% was easy and the subsequent 5% very hard 可能比你的工作更有值(value)。
一种困难的方法，对我有用
但是你能“手工”做同样的事情吗？毕竟，通过查看 PDF，您知道自己看到了什么。机器可以做同样的事情吗？ ( this 仍然适用)。当然，在这个 - 毕竟 - 明确界定的计算机视觉问题中，你很可能可以。它不会很快和容易。你需要:
pdftk )。您需要使用坐标 //单元格名称 X1 Y1 X2 Y2 文本
['病人姓名', 60, 760, 300, 790, '' ],
['病人编号', 310, 760, 470, 790, '' ],
...
['Grid01Y01X01', 90, 1020, 110, 1040, ''],
...
请注意，您可以通过编程方式计算这些值中的很多:一旦您拥有左上角并知道一个单元格的大小，其他单元格或多或少都可以计算出来，但会出现非常轻微的错误。您不必为自己输入 6 个 4 周的网格，每个网格 6 行，每周 7 天。
您可以使用相同的结构创建带有红色区域的 PNG，以指示您覆盖了哪些单元格。这将有助于目视检查您没有忘记任何事情。
在这一点上，您解析 PDF，每次在坐标 (x1,y1) 处找到文本时，您都会扫描所有单元格并确定文本的位置(使用 XY 二叉搜索树有更快的方法来做到这一点)。如果您在 66, 765.2 找到“Mr Andrew S”，请将其添加到 PatientName。然后您在 109.2, 765.2 处找到“mee”，并将其添加到 PatientName。现在读作“安德鲁·斯密先生”。
如果水平距离高于某个阈值，则添加一个空格(或多个)。
(对于非常小的文本，PDF 驱动程序有可能会乱序输出字母并通过字距调整进行更正，但这通常不是问题)。
在整个周期结束时，您将剩下
[ 'PatientName', 60, 760, 300, 790, 'Mr Andrew Smee' ],
[ 'PatientNumber', 310, 760, 470, 790, '505738' ],
几年前，我为一个大型 PDF 导入项目做过这种工作，它的效果非常棒。现在，我认为大部分繁重的工作都可以用 TcLibPDF 来完成。
痛苦的部分是手动记录，第一时间，网格的信息；可能有工具可以做到这一点，或者可以使用 Canvas 制作 HTML5/AJAX 编辑器。
在实践中
大部分工作已经由优秀的 pdf2json 工具完成，该工具使用“Andrew Smee”PDF，输出如下内容:
[
{
"height" : 1263,
"width" : 892
"number" : 1,
"pages" : 1,
"fonts" : [
{
"color" : "#000000",
"family" : "Times",
"fontspec" : "0",
"size" : "15"
},
...
],
"text" : [
{ "data" : "12/04/54",
"font" : 0,
"height" : 17,
"left" : 628,
"top" : 103,
"width" : 70
},
{ "data" : "28/09/15",
"font" : 0,
"height" : 17,
"left" : 105,
"top" : 206,
"width" : 70
},
{ "data" : "AQUARIUS",
"font" : 0,
"height" : 17,
"left" : 99,
"top" : 170,
"width" : 94
},
{ "data" : " ",
"font" : 0,
"height" : 17,
"left" : 193,
"top" : 170,
"width" : 5
},
{ "data" : "NURSING",
"font" : 0,
"height" : 17,
"left" : 198,
"top" : 170,
"width" : 83
},
...
“地址”字段是从 73,161 到 837,193。
我的示例"template"只有三个字段，因此在 PHP 5.7 中(使用短数组语法， [ ] 而不是
Array() )<?php
function template() {
$template = [
'Address' => [ 'x1' => 73, 'y1' => 161, 'x2' => 837, 'y2' => 193 ],
'Medicine1' => [ 'x1' => 1, 'y1' => 283, 'x2' => 251, 'y2' => 299 ],
'Details1' => [ 'x1' => 1, 'y1' => 302, 'x2' => 251, 'y2' => 403 ],
];
foreach ($template as $fieldName => $candidate) {
$template[$fieldName]['elements'] = [ ];
}
return $template;
}
// shell_exec('/usr/local/bin/pdf2json "Andrew-Smee.pdf" andrew-smee.json');
$parsed = json_decode(file_get_contents('ann-underdown.json'), true);
$pout = [ ];
foreach ($parsed as $page) {
$template = template();
foreach ($page['text'] as $text) {
// Will it blend?
foreach ($template as $fieldName => $candidate) {
if ($text['top'] > $candidate['y2']) {
continue; // Too low.
}
if (($text['top']+$text['height']) < $candidate['y1']) {
continue; // Too high.
}
if ($text['left'] > $candidate['x2']) {
continue;
}
if (($text['left']+$text['width']) < $candidate['x1']) {
continue;
}
$template[$fieldName]['elements'][] = $text;
}
}
// Now I must reassemble all my fields
foreach ($template as $fieldName => $data) {
$list = $data['elements'];
usort($list, function($txt1, $txt2) {
for ($r = 8; $r >= 1; $r /= 2) {
if (($txt1['top']/$r) < ($txt2['top']/$r)) {
return -1;
}
if (($txt1['top']/$r) > ($txt2['top']/$r)) {
return 1;
}
if (($txt1['left']/$r) < ($txt2['left']/$r)) {
return -1;
}
if (($txt1['left']/$r) > ($txt2['left']/$r)) {
return 1;
}
}
return 0;
});
$text = '';
$starty = false;
foreach ($list as $data) {
if ($data['top'] > $starty + 5) {
if ($starty > 0) {
$text .= "\n";
}
} else {
// Add space
// $text .= ' ';
}
$starty = $data['top'];
// Add text to current line
$text .= $data['data'];
}
// Remove extra spaces
$text = preg_replace('# +#', ' ', $text);
$template[$fieldName] = $text;
}
$paged[] = $template;
}
print_r($paged);
Array
(
[0] => Array
(
[Address] => AQUARIUS NURSING HOME 4-6 SPENCER ROAD, SOUTHSEA PO4 9RN
[Medicine1] => ATORVASTATIN 40MG TABS
[Details1] => take ONE tablet at NIGHT
)
[1] => Array
(
[Address] => AQUARIUS NURSING HOME 4-6 SPENCER ROAD, SOUTHSEA PO4 9RN
[Medicine1] => SOTALOL 80MG TABS
[Details1] => take ONE tablet TWICE each day
DO NOT STOP TAKING UNLESS YOUR DOCTOR TELLS
YOU TO STOP.
)
[2] => Array
(
[Address] => AQUARIUS NURSING HOME 4-6 SPENCER ROAD, SOUTHSEA PO4 9RN
[Medicine1] => LAXIDO ORANGE SF 13.8G SACHETS
[Details1] => ONE to TWO when required
DISSOLVE OR MIX WITH WATER BEFORE TAKING.
NOT IN CASSETTE
)
关于PHP 以数组格式从 PDF 中提取数据，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/40549696/