但是问题来了，怎么能准确找到某列对应的某值（因为，表格中的列名顺序不固定，名称也会有差异）。
各位大神，有谁做过这方面的研究，欢迎讨论讨论，有什么先进的处理技巧、方法、代码欢迎贴上，不甚感激！
-
最近有一个需求，要把新三板挂牌公司年报（pdf文件）的各种表格数据解析出来。
但是问题来了，怎么能准确找到某列对应的某值（因为，表格中的列名顺序不固定，名称也会有差异）。
各位大神，有谁做过这方面的研究，欢迎讨论讨论，有什么先进的处理技巧、方法、代码欢迎贴上，不甚感激！
展开阅读全文
-
等级
本版专家分：9369勋章
-
- 签到新秀 累计签到获取，不积跬步，无以至千里，继续坚持！
-
- 蓝花 2013年6月 Java大版内专家分月排行榜第三
-
-
-
等级
本版专家分：9369勋章
-
- 签到新秀 累计签到获取，不积跬步，无以至千里，继续坚持！
-
- 蓝花 2013年6月 Java大版内专家分月排行榜第三
-
-
-
等级
本版专家分：9369勋章
-
- 签到新秀 累计签到获取，不积跬步，无以至千里，继续坚持！
-
- 蓝花 2013年6月 Java大版内专家分月排行榜第三
-
-
-
等级
本版专家分：970 -
帮忙顶一下，同样关注，大神出来解答一下
-
等级
本版专家分：251 -
一般使用开源的iText库来创建PDF文档，不过这个库也提供了解析已有pdf文档的API，本人没有用过，你可以参阅下官网http://itextpdf.com/
pdf的表格格式大小位置都不变的话，可以考虑用位置来获取值
pdfbox有个demo是按位置提取text，
另外还有一个demo帮助你找到每个字符的位置
但如果pdf是扫描的，那得找ocr控件获取text
pdf中也有个acroForm的东西，但至今没有遇到过pdf含有此单元，所以没做过，楼主也可以试着在document中找找有没有这个元素，如果有可能更简单
如果楼主想先看一下pdf的结构，pdfbox有app版，之中有个debbuger可以查看pdf结构
对于一些画上去的checkbox之类，我找到的办法是将pdf转为image然后判断特定位置上pixel值判定checkbox有没有被选中
但由于pdfbox中toImage单元还处于beta阶段，不太稳定，有时候一些font的问题会导致程序崩溃，建议在转image之前清除所有文字
-
等级
本版专家分：9369勋章
-
- 签到新秀 累计签到获取，不积跬步，无以至千里，继续坚持！
-
- 蓝花 2013年6月 Java大版内专家分月排行榜第三
-
-
现在需要明确几个问题：
1、针对这类财报的解析，表的名称相对而言是相同的；
2、表格中的每个标题会有差异，包括前后顺序、个数；
3、表格在pdf的位置是不固定的；
通过位置获取，是否需要提供一个表名称，这样从这个位置开始，读表格内容？
但是问题来了，pdfbox或itext解析表格的时候，并不会按照表格的排版输出content，所以会造成行标题混乱，数据混乱，无法彼此对应，这个问题如何处理？
-
等级
本版专家分：9369勋章
-
- 签到新秀 累计签到获取，不积跬步，无以至千里，继续坚持！
-
- 蓝花 2013年6月 Java大版内专家分月排行榜第三
-
-
-
等级
本版专家分：9369勋章
-
- 签到新秀 累计签到获取，不积跬步，无以至千里，继续坚持！
-
- 蓝花 2013年6月 Java大版内专家分月排行榜第三
-
-
- pdf文档解析
Adobe的PDF参考告诉我们一个PDF文件可以通过下面4个方面来理解： 1. 对象 , 2. 文件 （物理结构） 3. 文档结构 4. 内容流
- PDF解析
iText是著名的开放源码的站点sourceforge一个项目，是用于生成PDF文档的一个java类库。通过iText不仅可以生成PDF或rtf的文档，而且可以将XML、Html文件转化为PDF文件。 iText的安装非常方便，在...
- pdf解析
pdf解析 ~~~python !/usr/bin/env python encoding: utf-8 import sys import importlib importlib.reload(sys) from pdfminer.pdfparser import PDFParser, PDFDocument from pdfminer.pdfinterp i...
- 解析PDF文件以及解决编码问题
1、解析pdf文件 最近需要将pdf中文本提取出来，于是就了解了一下pdfminer 首先安装：pip3 install pdfminer3k 之后就是用pdfminer解析，不多说，直接上代码，这些代码都是参考各位前辈 from pdfminer.pdfparser ...
- java解析pdf获取pdf中内容信息
java解析pdf获取pdf中内容信息 今日项目中需要将pdf中的数据获取到进行校验数据，于是前往百度翻来覆去找到以下几种办法，做个笔记,方便日后查询。 1 使用开源组织提供的开源框架 pdfbox api ； ...
- PDF文字解析
背景：在出版社待了4年多，出版社在给印刷厂文件时，绝大部分用的都是双层PDF，这类的PDF文件日积月累会有大量的文件堆积。现在全国出版行业都在做出版转型，融合发展的道路。我曾在三峡出版社（宜昌）看到他们将几...
- 一个简单的PDF文件结构的分析
一个简单的PDF文件结构的分析 Adobe的PDF参考告诉我们一个PDF文件可以通过下面4个方面来理解： 1. 对象, 一个PDF文档是由一组基本数据类型组成的数据结构。 2. 文件（物理结构）, 决定对象是如何存放在一个PDF文件...
- PDF解析流程
PDF解析流程： a）从trailer中找到Root关键字，Root是指向Catalog字典，Catalog是一个PDF文件的总入口，它包含Page tree，Outlinehierarchy等。 b）从Catalog中找到Pages关键字，Pages是PDF所有页面的总入口，即...
- Java PDF解析
-- pdf start--> <dependency> <groupId>org.apache.pdfbox</groupId> <artifactId>pdfbox</artifactId> <version&...
- 使用Java将PDF文件解析成Excel文件,史上最厉害的PDF解析
将PDF文件转为Excel(PDF文件为图表...公司让我将PDF文件解析成excel,然后excel有固定的模板,也就是将PDF数据掏出来,然后将数据放到excel固定的格子中,然后再将excel数据解析保存到数据库(本文章只提供解析PDF为Exce...
- Android pdf解析方案
最近在做一个健康类项目，要求用pdf展示体检报告，ios webview支持展示pdf,android的不支持，后来只能把pdf下载下来，再在程序中嵌入pdf查看，本来采用pdfViewer,但是发现有的pdf会报错，不稳定，上网搜了好久，也...
- 【python PDF解析】python 读取PDF文件内容
利用python，去读取pdf文本内容。 二、效果 二、实现源代码# coding=utf-8 import sys reload(sys) sys.setdefaultencoding('utf-8') import time time1=time.time() import os.path from pdfminer.pdfparser ...
- PDF解析器：pdfparser
https://www.pdfparser.org/documentation PDF解析器 php库解析PDF文件并提取文本等元素。 $parser = new \Smalot\PdfParser\Parser(); ...
- pdf解析与结构化提取
PDF解析与结构化提取 PDF解析 对于PDF文档，我们选择用PDFMiner对其进行解析，得到文本。 PDFMiner PDFMiner使用了一种称作lazy parsing的策略，只在需要的时候才去解析，以减少时间和内存的使用。要解析PDF至少...
- 使用Java将PDF解析成HTML页面进行展示并从页面中提取Json数据设置到Table中
很多PDF解析的API或工具都有一些问题，我尝试过如pdf2htmlEX、xpdf、pdfbox等API或工具，效果都不太理想，后来无意中发现了pdfdom，pdfdom是一个JavaAPI，它是在pdfbox的基础上进行了扩展，专门用于解析PDF文件生成...
- PDF解析模块-PDFMiner开发手册[翻译]
原文地址: ... 软件版本: pdfminer-20140328 翻译：robolinux 时间：20150110 ------------------------------------------------------------------------------------------
- pdf解析，获取字段数据
最近项目需要解析pdf单据，获取里面的数据和图片等，因pdf非模板化（某政府发放），所以靠表单域获取变得不现实。一开始是组件选型，网上各种资料，发现apache的pafbox和itext都能解析，
- pdf解析c++源码库
xpdf、mupdf。
- Python解析PDF文本
#pdfplumber对表格的处理能力强于pdfminer import pdfplumber import re path = r'E:\py_shiyan\Pycharm备份\Financial-data-collection-from-web--master\original_data/test3.pdf' pdf = pdfplumber.open(path) ...
- JAVA解析PDF内容
JAVA超实用解析PDF格式内容（未测试表格，未测试图片） 导入Spire.Pdf.jar，点击此处下载jar包， public static void main(String[] args) { //创建一个PdfDocument 实例 PdfDocument doc= new PdfDocument();...
- Java 解析pdf内容
Java 解析pdf内容最近遇到一个老师有点小需求，需要读取一些pdf的内容到数据库里面进行检索，因为一直都在合作所以找到了我。 百度了一下发现在java下解决pdf内容解析的办法也有不少，我选了apache的pdfbox来做pdf...
- PDF电子发票解析免费版
package cn.test; import com.alibaba.fastjson.JSONObject; import pdf.cn.pdf.parse.PDFReaderUtil; /** * @author 吴顺杰 * 2019年7月30日 */ public class TestA { public static void main(String[] ar...
- JAVA 利用iText解析PDF
系统对接了一个接口，遇到了利用iText解析PDFURL，解析下来导致文件已加密，损坏的问题。 这篇文章针对于老项目，不能随意升级JDK,升级包的问题。 iText-2.1.7.jar为例： import com.lowagie.text.pdf.PdfCopy; ...
- Python使用PDFMiner解析PDF
https://www.cnblogs.com/jamespei/p/5339769.html
- PDF转换解析工具—PDFBox
简介 Apache PDFBox® - A Java PDF Library ... The Apache PDFBox® library is an open source Java tool for working with PDF documents. This project allows creation of new PDF documents, manipulation of
- C++ 如何解析PDF文件格式？
C++ 如何解析PDF文件格式？C++ 如何解析PDF文件格式？ C++ 如何解析PDF文件格式？ 请问C++如何解析Adobe SanPDF文件格式？ 最近项目中需要嵌入一个PDF文档格式解析的模块，找了很多方法没搞定。求大神们帮帮忙！非常...
- 关于PDF文本的解析与PDF图片的提取
1. 利用python读取PDF文本内容 一，问题描述 利用python读取PDF文本内容 二，运行环境 python 3.6 三， 需要安装的库 pip install pdfminer 对pdfminer的简单介绍，官网介绍如下： PDFMiner is a tool...
- 读取解析预览pdf文件的插件之pdf.js
最近有这样一个需求，需要在线预览pdf文件，于是就去找这方面的插件。...pdf.js主要包含两个库文件，一个pdf.js和一个pdf.worker.js，，一个负责API解析，一个负责核心解析 pdf.js本质上是用canvas渲染的，p...
- java解析pdf文件并输出指定的内容
通过解析pdf文件，输出发票代码，发票号码，开票日期(YYYYMMDD公示)，校验码后六位。 Demo下载地址(包含jar包和测试pdf文件) 实现 import java.io.File; import org.apache.pdfbox.pdmodel.PDDocument; import org....
- python解析pdf方法介绍（入门级）
python解析pdf信息，目前还是不能做到很完善，每个方法都会有它的弊端，都需要结合自己的业务场景来和其它方法一块进行使用，从而达到一个相对满意的目标。接下来主要介绍四种目前我了解到的方法（也是某博主写的，...