2

Есть PDF фаил, в котором есть таблица с данными. Таблица вида "Name - Data" и так в столбик. Фото прилагаетсяОбразец Пытаюсь найти способ реализации как по ячейке с именем вытянуть её данные. PDF я весь считал пытался как то через регулярки вытянуть. Но косяк в том что понять где его данные и какие данные вытягивать не понятно т.к pdf считывается и выдает обычный текст (данные могут менятся в Data). Пробовал как то декомпрес pdf сделать но что то не удачно. Софта мало на эту тему. А узнать внутрение теги не могу. Кто что знает подскажите :) Буду очень блогодарен Например есть ячейка Supplier надо вытянуть её данные Aker Solution...

0

2 ответа 2

2

С pdf все плохо. Перепробовал все что можно - конвертацию в Word, в Excel, текстовый файл. Самый многообещающий способ - конвертация в html и парсинг с помощью web-драйвера selenium.

5
  • хм мысль интересная. Спасибо. Испробую:)
    – JMNext
    4 мар 2017 в 18:33
  • в этом случае довольно неплохо воспроизводится разметка (шрифты, таблицы, цвет, заголовки), что позволяет довольно легко находить нужные элементы. Если бы еще не было косяков... 4 мар 2017 в 18:41
  • Да только теперь надо разобраться как сперва через код конвертировать фаил закинуть в папку с программой например, и сохранить путь к сохраненному файлу. А потом просто обратиться к нему и найти нужное. У меня пока чето не все в голове слаживается в кучу
    – JMNext
    4 мар 2017 в 18:43
  • Какой код? Для конвертации нужен всего лишь Adobe Acrobat. 5 мар 2017 в 10:49
  • Мне надо реализовать через код. Что бы список файлов закинул. Оно считала поля с файла вытянуло их и записало в отдельный фаил. Но с PDF файла считать ячейки таблицы не понимаю как сделать.
    – JMNext
    5 мар 2017 в 12:51
2

Для работы с PDF я использовал опенсорсную библиотеку iTextSharp. Очень мощная, но чтобы что-то вытащить из PDF приходится глубоко вникать, как устроена его структура. Если у вас разовая задача - возможно, это будет чересчур, но если нужно настроить импорт данных на регулярной основе - самое то, что нужно.

5
  • Да только у меня задача такая. Есть например 10 таких таблиц разных с разными данными. Мне надо их вытянуть и записать в другой документ. Как бы найти регуляркой поля можно.Но как понять где лежат данные которые относятся к данному полю. Косяк весь в этом.
    – JMNext
    4 мар 2017 в 18:55
  • 1
    PDF по своей сути сильно отличается от DOC или, допустим, XLS. В нем, чаще всего, нет ни таблиц, ни ячеек, а есть текст, векторные линии и растровые вставки. Поэтому соотнести конкретный текст с конкретным полем в большинстве случаев возможно только по координатам. Но и с координатами все очень непросто, т.к. иногда для разных элементов используется своя координатная система, заданная матрицей трансформации. И еще очень много зависит от источника, т.к. разные программы формируют PDF очень по-разному.
    – Aleksei
    4 мар 2017 в 19:17
  • У меня еще такая идея появилась. Надо проверить. А если попробовать в xml конвертировать? Интересно как он будет выглядеть внутри
    – JMNext
    4 мар 2017 в 19:19
  • И xml я пробовал. Что-то лучше, чем в html, что-то хуже. Но в обоих случаев присутствуют косяки. Иногда данные перемешаны. В общем, веселья там хватает. 5 мар 2017 в 2:57
  • Да PDF вообще веселый формат
    – JMNext
    5 мар 2017 в 12:51

Ваш ответ

By clicking “Отправить ответ”, you agree to our terms of service and acknowledge you have read our privacy policy.

Всё ещё ищете ответ? Посмотрите другие вопросы с метками или задайте свой вопрос.