从很多PDF表格中提取数据

Question

我经常收到大量相同的PDF表单。我想从他们的数据提取到一个文本文件。我想通过某种脚本来做到这一点。我正在UNIX环境中工作。

这可能吗？我一直在搜寻我的大脑，找不到任何东西。

Answer 1

PDF中的文本由页面内容流中的文本元素表示。流通常被压缩。如果您有时间和资源，可以使用ISO 32000-1：2008或Adobe PDF 1.7规范来构建您自己的PDF解析器。或者使用第三方应用程序作为中间转换步骤可能更实用。

有些工具可以解码流并为您提供明文。一个选项是PDFtk Server，它可以在你的环境中工作。另一种选择是使用Poppler PDF渲染库，该库有一个命令行实用程序“pdftotext”，用于搜索PDF中的字符串。