从 PDF 中提取数据

Question

我每天收到 15 个以上的 PDF，必须输入数据库。 它们是从表格中生成的，其中“空白”是从特定表格字段填写的。 我可以使用任何工具或 python 代码示例来尝试开发一种从 PDF 中提取数据以写入或创建表以导入到数据库表的方法？ 数据库当前是 Access mdb。 谢谢

Answer 1

在我以前的工作中，我们使用 Cogniview 将 PDF 快速转换为 Excel 电子表格。 如果你想使用 Python，快速搜索给我这个看起来很简单， PDF to XLS with Python

Answer 2

有许多方法可以奏效。 一种简单的方法是简单地将 PDF 文件打印为文本文件，然后让 Access 导入该文本。 所有最新版本的 Windows 都允许您安装“文本”打印机，将文档打印输出到文本文件。 您可以访问“处理”一个 pdf 文件夹，将它们打印为文本，然后导入这些文本文件。 在将数据导入 Access 之前，您可能需要一些 VBA 来删除“页面”和一些额外的行。

另一种方法是使用 Word（从 Access 自动化）打开 PDF。 当 word 打开 pdf 时，它会将其转换为 word 文档。 这种方法甚至会将行格式化为单词表。 然后，您可以提取该表数据并将该数据发送到 word。 您可以在不将数据写入文本文件的情况下提取该文本 - 或者仅使用 Words“另存为”到文本文件（您可以从 Access 自动执行此过程）。

另一种方法是使用免费的 Ghost Script 库，它可以从 PDF 中提取文本（如果没有可供您使用的词，我会考虑）。

因此，哪种解决方案最好在很大程度上取决于您将在运行 Access 的计算机上安装的当前软件。 用word打开pdf文件将是我的第一选择和测试。

Answer 3

我建议您使用数据提取工具来完成这项任务。 一个工具将帮助您自动化该过程，您将能够轻松地从非结构化来源（例如 PDF）中提取数据。