F****3
发帖数: 1504 | 1 目前有2w多排版一样的pdf，里面有表格，可以用Adobe Acrobat把table弄出来，但是
一个一个弄估计会死。。。
查了stackoverflow，弄了半天没实现。 请问有什么好办法吗？ 谢谢！ |
t****a
发帖数: 1212 | 2 ubuntu的sudo apt-get install poppler-utils中有个tool叫做pdf2text可以转换pdf
成text格式，使用-layout参数可以保持表格的式样在text里，如果你的表格不太复杂
的话，运气好应该能留下来。
之后，如果你的表格有某些特殊的标记比如表头之类的，我想可以用个脚本语言把表格
抓出来生成excel。
当然，是运气好你的表格能留在txt里并且容易解析。
【在 F****3 的大作中提到】
: 目前有2w多排版一样的pdf，里面有表格，可以用Adobe Acrobat把table弄出来，但是
: 一个一个弄估计会死。。。
: 查了stackoverflow，弄了半天没实现。 请问有什么好办法吗？ 谢谢！
|
e*******o
发帖数: 4654 | 3 貌似你用的是python, 搜一下Python的pdf lib 然后看文档。
如果你足够brave 看 adobe的 pdf specificaton。你找个很简单的PDF 文件用文本编
辑器查看，也能看出来些眉目的。
我做过生成PDF的活，逆向没做过。 |
z*******3
发帖数: 13709 | |
F****3
发帖数: 1504 | 5 谢谢楼上几位！
PDF内的表格非常工整，可以用Acrobat Professional单击右键就可以导出成csv文件，
转换成Excel没有问题。但是手工做实在麻烦。
试过pdftotext，但是有很多空余，misalignment问题有点小问题，怎么再用Python把
这些文件parse成表格目前还不会。。。水平还是入门级的。
iText下载了java的版本，好像不再是免费的了。Java有点专业目前还不太敢搞。
准备什么时候弄一些jExcel, 搜一搜PDF的python lib。
请问还有什么门槛比较低一点的办法吗？ |
z*******3
发帖数: 13709 | 6 我看了下，目测还是可以免费用的，你试试不就知道了
这个我想出来比较麻烦的是要倒腾java.io，这个有些小烦
其它都还好
如果你真怕不免费，简单，google会告诉你很多其它选择，来看看java的类库有多牛吧
http://stackoverflow.com/questions/6118635/what-is-the-best-pdf
类似的，excel也一样
google会告诉你很多
目测apache有两个项目，正好对应这两个文件格式
一个是
http://poi.apache.org/
针对excel
一个是
http://pdfbox.apache.org/
针对pdf
so，放马上吧
【在 F****3 的大作中提到】
: 谢谢楼上几位！
: PDF内的表格非常工整，可以用Acrobat Professional单击右键就可以导出成csv文件，
: 转换成Excel没有问题。但是手工做实在麻烦。
: 试过pdftotext，但是有很多空余，misalignment问题有点小问题，怎么再用Python把
: 这些文件parse成表格目前还不会。。。水平还是入门级的。
: iText下载了java的版本，好像不再是免费的了。Java有点专业目前还不太敢搞。
: 准备什么时候弄一些jExcel, 搜一搜PDF的python lib。
: 请问还有什么门槛比较低一点的办法吗？
|
z*******3
发帖数: 13709 | 7 java直接写一个main不就搞定了
你把java放在eclipse当脚本写就好了
不用理会什么class之类的关键字
表被什么对象之类的给吓住了
要包装成web服务的话，可能还需要一些额外的操作
比如上传文件之类的
也可以从apache项目中找
比如这个：
http://commons.apache.org/
再弄一个tomcat
小server就出来了 |
F****3
发帖数: 1504 | 8 真是谢谢楼上的各位的帮助！
我按照你们的提示回去仔细一下，然后回来汇报一下，如果搞定了的话。 |
d******k
发帖数: 4295 | 9 你可以先试试是否可以写batch script把所有pdf文件批量save as csv文件。
【在 F****3 的大作中提到】
: 谢谢楼上几位！
: PDF内的表格非常工整，可以用Acrobat Professional单击右键就可以导出成csv文件，
: 转换成Excel没有问题。但是手工做实在麻烦。
: 试过pdftotext，但是有很多空余，misalignment问题有点小问题，怎么再用Python把
: 这些文件parse成表格目前还不会。。。水平还是入门级的。
: iText下载了java的版本，好像不再是免费的了。Java有点专业目前还不太敢搞。
: 准备什么时候弄一些jExcel, 搜一搜PDF的python lib。
: 请问还有什么门槛比较低一点的办法吗？
|
F****3
发帖数: 1504 | 10 谢谢啊！我用了下面这个
for file in *.pdf; do pdftotext -layout "$file" "$file.txt"; done
可以把所有的PDF转换成text文件，但是表格是"看上去"对齐了，但是好像中间空格数
目不一致，所以很难把text转换成table。
另外PDF里面有很多解释的文档，要把文档和table分开目前还不知道怎么实现。
文科的水平很菜，千万别笑啊。
【在 d******k 的大作中提到】
: 你可以先试试是否可以写batch script把所有pdf文件批量save as csv文件。
|
|
|
z*******3
发帖数: 13709 | 11 你需要parse文档
我估计你投机取巧之后，最后会发现还是java最简单
嘿嘿
比如你这个解释文档和table，在pdfbox里面就是不同的对象
直接丢掉解释文档就好了
【在 F****3 的大作中提到】
: 谢谢啊！我用了下面这个
: for file in *.pdf; do pdftotext -layout "$file" "$file.txt"; done
: 可以把所有的PDF转换成text文件，但是表格是"看上去"对齐了，但是好像中间空格数
: 目不一致，所以很难把text转换成table。
: 另外PDF里面有很多解释的文档，要把文档和table分开目前还不知道怎么实现。
: 文科的水平很菜，千万别笑啊。
|
F****3
发帖数: 1504 | 12 呵呵，谢谢！
要是要用java，就搞大了。。。
【在 z*******3 的大作中提到】
: 你需要parse文档
: 我估计你投机取巧之后，最后会发现还是java最简单
: 嘿嘿
: 比如你这个解释文档和table，在pdfbox里面就是不同的对象
: 直接丢掉解释文档就好了
|
d******k
发帖数: 4295 | 13 两个问题：
1.你的tables的格式是否统一？是否都是固定列数？
2.table里头的每一个cell的值是数字？还是字符串，有没有包含空格逗号等特殊符号
的可能？
如果你的tables固定列数，且没有包含空格逗号等特殊符号的字符串。那你可以试着用
python，读文件的每一行，把空格数目（连续的空格当做一个空格）等于table列数的
行输出到新文件，把空格替换成逗号。这样新文件就变成csv了。
这是个笨办法吧，会有小错误，但你没法用java，.net的类库，也只能凑活了。
【在 F****3 的大作中提到】
: 谢谢啊！我用了下面这个
: for file in *.pdf; do pdftotext -layout "$file" "$file.txt"; done
: 可以把所有的PDF转换成text文件，但是表格是"看上去"对齐了，但是好像中间空格数
: 目不一致，所以很难把text转换成table。
: 另外PDF里面有很多解释的文档，要把文档和table分开目前还不知道怎么实现。
: 文科的水平很菜，千万别笑啊。
|
F****3
发帖数: 1504 | 14 谢谢你的热心帮助！
1. 固定列数
2. 包括数字，string，和date， 有cell里面有些空格（见item 3）
3. date的格式是“Feb 01, 2011”
4. 左边第一列是列别，里面也有空格（比如， “Cost of Goods Sold ($ mlns)”）
5. 用pdftotext -layout以后，列于列时间的空格数目不完全一致，因为有的cell里面
东西都，所以不需要很多空格吧列于列据别开来，有的列cell东西少，需要很多空格吧
column区别开来。
：）
最终真的可能还是要用牛逼的东西比如java
【在 d******k 的大作中提到】
: 两个问题：
: 1.你的tables的格式是否统一？是否都是固定列数？
: 2.table里头的每一个cell的值是数字？还是字符串，有没有包含空格逗号等特殊符号
: 的可能？
: 如果你的tables固定列数，且没有包含空格逗号等特殊符号的字符串。那你可以试着用
: python，读文件的每一行，把空格数目（连续的空格当做一个空格）等于table列数的
: 行输出到新文件，把空格替换成逗号。这样新文件就变成csv了。
: 这是个笨办法吧，会有小错误，但你没法用java，.net的类库，也只能凑活了。
|
d******k
发帖数: 4295 | 15 不客气，以前折腾过类似的东西，算有点经验。
如果date格式在固定的列，相对好解决。
如果有特征可以把第一列的内容和第二列简单区别开来，比如第一列以）”结尾，第二
列是数字，也是可以通过代码专门处理的。
（关键就是你要找到这个table的每一列的特征，用程序语言把他们区分开来。）
另外，可以直接在excel里面用vba把txt里头写到sheet里面，可以参考下边的例子。
vba要比java,c#简单一些。
http://stackoverflow.com/questions/15045446/extract-tables-from
【在 F****3 的大作中提到】
: 谢谢你的热心帮助！
: 1. 固定列数
: 2. 包括数字，string，和date， 有cell里面有些空格（见item 3）
: 3. date的格式是“Feb 01, 2011”
: 4. 左边第一列是列别，里面也有空格（比如， “Cost of Goods Sold ($ mlns)”）
: 5. 用pdftotext -layout以后，列于列时间的空格数目不完全一致，因为有的cell里面
: 东西都，所以不需要很多空格吧列于列据别开来，有的列cell东西少，需要很多空格吧
: column区别开来。
: ：）
: 最终真的可能还是要用牛逼的东西比如java
|
e*******o
发帖数: 4654 | 16 Perl 的老大也是你们文科生。
【在 F****3 的大作中提到】
: 谢谢啊！我用了下面这个
: for file in *.pdf; do pdftotext -layout "$file" "$file.txt"; done
: 可以把所有的PDF转换成text文件，但是表格是"看上去"对齐了，但是好像中间空格数
: 目不一致，所以很难把text转换成table。
: 另外PDF里面有很多解释的文档，要把文档和table分开目前还不知道怎么实现。
: 文科的水平很菜，千万别笑啊。
|
l*********s
发帖数: 5409 | 17 嗯，忘了那里看到的，说是最牛的程序员都是学社科出身的。
【在 e*******o 的大作中提到】
: Perl 的老大也是你们文科生。
|
F****3
发帖数: 1504 | 18 谢谢大家的热心帮助啊。我仔细研究一下 ：D 怎么解决这个工程问题.
【在 d******k 的大作中提到】
: 不客气，以前折腾过类似的东西，算有点经验。
: 如果date格式在固定的列，相对好解决。
: 如果有特征可以把第一列的内容和第二列简单区别开来，比如第一列以）”结尾，第二
: 列是数字，也是可以通过代码专门处理的。
: （关键就是你要找到这个table的每一列的特征，用程序语言把他们区分开来。）
: 另外，可以直接在excel里面用vba把txt里头写到sheet里面，可以参考下边的例子。
: vba要比java,c#简单一些。
: http://stackoverflow.com/questions/15045446/extract-tables-from
|
e*******o
发帖数: 4654 | 19 估计是文科生喜欢留胡子
【在 l*********s 的大作中提到】
: 嗯，忘了那里看到的，说是最牛的程序员都是学社科出身的。
|
l*******s
发帖数: 1258 | |
r****o
发帖数: 1950 | 21 用 Perl
做这个最适合了。
【在 F****3 的大作中提到】
: 谢谢你的热心帮助！
: 1. 固定列数
: 2. 包括数字，string，和date， 有cell里面有些空格（见item 3）
: 3. date的格式是“Feb 01, 2011”
: 4. 左边第一列是列别，里面也有空格（比如， “Cost of Goods Sold ($ mlns)”）
: 5. 用pdftotext -layout以后，列于列时间的空格数目不完全一致，因为有的cell里面
: 东西都，所以不需要很多空格吧列于列据别开来，有的列cell东西少，需要很多空格吧
: column区别开来。
: ：）
: 最终真的可能还是要用牛逼的东西比如java
|
