從PDF 中提取結構化表格

從PDF 文件中提取結構化表格可能是一項具有挑戰性的任務，尤其是對於非圖像檔案。以下是幫助您解決此問題的綜合指南：

非OCR 解決方案

PDF -> HTML -> 提取表路徑可能不可靠，尤其是對於文檔包含非英文字體。以下是一些替代方案：

1。手動提取

使用 Adob​​e Acrobat 或 Foxit 等軟體手動選擇表格單元格並將其複製到電子表格中。這對於結構簡單的小表非常有效。

2。 PDF 到 XML 轉換器

像 PDFBox 這樣的工具可以將表格資料​​提取為 XML 格式，可以進一步處理以提取結構化資料。

3.自訂模式匹配

如果產生的 PDF 一致，您可以開發自訂模式來識別表格單元格並提取其內容。然而，這需要對PDF結構有深入的了解。

提供的PDF的限制

您提到的特定PDF有兩個重大挑戰：

• 缺少表格數據： PDF 不包含顯式表格數據，因此在沒有人工解釋的情況下很難提取結構化資訊。
• 編碼問題： PDF使用錯誤聲稱使用 WinAnsiEncoding 的字體，這會導致文字擷取損壞。

推薦

鑑於這些限制，可能無法提取結構化表格從提供的 PDF 中獲取，無需 OCR 技術。相反，您可以考慮其他方法，例如向文件建立者請求原始表格資料或尋求其他 OCR 解決方案。