V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
V2EX 提问指南
marklrh
V2EX  ›  问与答

请问如何从 pdf 中提取信息

  •  
  •   marklrh · 2014-04-09 14:24:46 +08:00 · 2780 次点击
    这是一个创建于 3883 天前的主题,其中的信息可能已经有所发展或是发生改变。
    需要提取的表格信息如图


    文件在http://ishare.iask.sina.com.cn/f/16040797.html这里

    我想用Python的pdfminer之类的,但是明显不能有效提取表格信息。因为有几十页所以想批量提取出来,提取出来之后还要分析每个奏折的呈交人,日期和其他的信息,不知道各位有什么好方法么
    2 条回复    1970-01-01 08:00:00 +08:00
    CoX
        1
    CoX  
       2014-04-09 15:26:21 +08:00
    可以试试 pdf.js
    dong3580
        2
    dong3580  
       2014-04-09 15:28:06 +08:00
    @marklrh
    这个我可以看成是pdf-》文字么?
    正好做个这样的一个小系统来说一下。我当时试用C#做的,这一点windows平台有不少已经成型的类库可以引用。
    我没看你发的pdf文档,如果是文字转成pdf还好点,直接用itext之类的小dll引用就能解决,目前有很多插件,都能解决文字版的。
    如果是图片转成的pdf,难度系数就高了,可以选择试用ABBYY出的专业的识别工具(正式版很贵的说),pdfNET之类的也行。但是识别率就不要抱很大的希望了,图片全部为纯文字的高清扫描还好,若是有点模糊的,识别效果很差。
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   3162 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 27ms · UTC 13:47 · PVG 21:47 · LAX 05:47 · JFK 08:47
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.