请问如何从 pdf 中提取信息

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

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

提取

表格

信息

2 条回复 • 1970-01-01 08:00:00 +08:00

CoX

2014-04-09 15:26:21 +08:00

可以试试 pdf.js

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。