Извлечение структурированных таблиц из PDF-файлов

Извлечение структурированных таблиц из PDF-документов может оказаться сложной задачей, особенно для файлов, не содержащих изображений. Вот подробное руководство, которое поможет вам решить эту проблему:

Решения без оптического распознавания символов

Маршрут PDF -> HTML -> Извлечь таблицу может быть ненадежным, особенно с документами. содержащие неанглийские шрифты. Вот несколько альтернатив:

1. Ручное извлечение

Используйте такое программное обеспечение, как Adobe Acrobat или Foxit, чтобы вручную выбрать ячейки таблицы и скопировать их в электронную таблицу. Это хорошо работает для небольших таблиц с простой структурой.

2. Преобразователи PDF в XML

Такие инструменты, как PDFBox, могут извлекать данные таблицы в формат XML, который можно далее обрабатывать для извлечения структурированных данных.

3. Пользовательское сопоставление шаблонов

Если PDF-файл генерируется последовательно, вы можете разработать собственные шаблоны для идентификации ячеек таблицы и извлечения их содержимого. Однако это требует глубокого понимания структуры PDF.

Ограничения предоставленного PDF

У конкретного PDF-файла, который вы упомянули, есть две существенные проблемы:

• Отсутствуют данные таблицы: PDF-файл не содержит явных табличных данных, что затрудняет извлечение структурированной информации без интерпретации человеком.
• Проблема с кодировкой: PDF-файл использует шрифты, которые ошибочно утверждают, что используют WinAnsiEncoding, что приводит к повреждению извлечения текста.

Рекомендация

Учитывая эти ограничения, извлечение структурированных таблиц может быть невозможным из предоставленного PDF-файла без методов оптического распознавания символов. Вместо этого вы можете рассмотреть альтернативные методы, такие как запрос исходных данных таблицы у создателя документа или использование других решений OCR.