问题标签 [pdf-scraping]

是否有任何 python 模块可以将 PDF 文件转换为文本？我尝试了在 Activestate 中找到的一段代码，它使用 pypdf，但生成的文本之间没有空格，而且没有用。

有没有一个很好的库可以从 PDF 中提取文本？如果需要，我愿意为此付出代价。

与 C# 或经典 ASP (VBScript) 一起使用的东西是理想的，我还需要能够将页面与 PDF 分开。

这个问题有一些有趣的东西，尤其是pdftotext ，但如果可以的话，我想避免调用外部命令行应用程序。

我一直听到人们在编写这些程序，我知道他们在做什么，但他们实际上是如何做到的呢？我正在寻找一般概念。

对于合同工作，我需要将来自德国联邦议会的许多旧的、仅扫描图形的全体辩论协议 PDF 数字化。

问题是这些文件中的大多数都有两列格式：

示例协议 http://sert.homedns.org/img/btp12001.png

我很想阅读您对以下问题的回答：

1. 在将两列输入 OCR 之前如何拆分它们？
2. 您推荐哪种商业、开源 OCR 软件或框架，为什么？

请注意，任何工具、编程语言、框架等都可以。不要犹豫，推荐深奥的产品，图书馆，如果你认为它们被剪掉了^__^！！

更新：这些文件已经被议会扫描 o_O:样本（与上图相同），其中有很多，我想尽快交付合同，所以我不能去获取相同文件的打印副本，剪切并亲自扫描它们。他们太多了。

最好的问候，
Cetin Sert

在任何通用语言中，有哪些好的库可以将 PDF 转换为 HTML？

我有嵌入 OCR 数据的 PDF 文件。（所以我已经对它们进行了 orcd）所以它们是可搜索的。现在我想提取这个 OCR 数据，因为我想放入我的 tomcat6 搜索服务器。为此，我需要普通的 OCR 数据。所以我的问题是，是否可以从 pdf 文件中提取这个嵌入的 OCR 数据？获得带有坐标的文件会很好。但是获取纯文本文件也足够了。

我有这个 PDF 文件，它分为 5 列。

我查看并查看了 Stack Overflow（并疯狂地用 Google 搜索）并尝试了所有解决方案（包括尝试 Adob​​e Acrobat 本身的最后手段）。

但是，由于某种原因，我无法获得 csv/xls 格式的这 5 列 - 因为我需要对它们进行排列。通常当我导出它们时，格式很糟糕，所有条目都是逐行排列的，有一些数据丢失。

http://www.2shared.com/document/PageE4A1T/ex1.html

这是上面文件摘录的链接，但我真的很沮丧并且没有选择。

我有包含应该替换文本的 PDF 文件。更具体地说，应该翻译文本并用翻译版本替换。重要的是 PDF 结构的其余部分保持不变。请注意，文本在 PDF 中可用，不需要像 OCr 之类的技术。此外，如果保留字体和其他文本属性会很好。

您会推荐哪些库来将文本提取为易于编辑的格式（例如 CSV）并重新放入新文本？

这还可以吗！？！

我有一堆需要导入数据库的遗留报告。但是，它们都是pdf格式的。有没有R可以阅读pdf的软件包？或者我应该把它留给命令行工具吗？

这些报告是用 excel 制作的，然后是 pdf 的，所以它们有规则的结构，但有很多空白的“单元格”。

我正在处理一个pdf文件。该pdf中有许多表格。
根据pdf中给出的表名，我想使用python从该表中获取数据。

我从事过 html、xlm 解析，但从未使用过 pdf。
谁能告诉我如何使用 python 从 pdf 中获取表格？