从 PDF 中提取结构化表格

从 PDF 文档中提取结构化表格可能是一项具有挑战性的任务，尤其是对于非图像文件。以下是帮助您解决此问题的综合指南：

非 OCR 解决方案

PDF -> HTML -> 提取表路径可能不可靠，尤其是对于文档包含非英文字体。以下是一些替代方案：

1。手动提取

使用 Adob​​e Acrobat 或 Foxit 等软件手动选择表格单元格并将其复制到电子表格中。这对于结构简单的小表非常有效。

2。 PDF 到 XML 转换器

像 PDFBox 这样的工具可以将表格数据提取为 XML 格式，可以进一步处理以提取结构化数据。

3.自定义模式匹配

如果生成的 PDF 一致，您可以开发自定义模式来识别表格单元格并提取其内容。然而，这需要对PDF结构有深入的了解。

提供的PDF的局限性

您提到的特定PDF有两个重大挑战：

• 缺少表格数据： PDF 不包含显式表格数据，因此在没有人工解释的情况下很难提取结构化信息。
• 编码问题： PDF使用错误声称使用 WinAnsiEncoding 的字体，这会导致文本提取损坏。

推荐

鉴于这些限制，可能无法提取结构化表格从提供的 PDF 中获取，无需 OCR 技术。相反，您可以考虑其他方法，例如向文档创建者请求原始表格数据或寻求其他 OCR 解决方案。