81,111
社区成员
发帖
与我相关
我的任务
分享pdf解析
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！
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！
...全文
请发表友善的回复…
发表回复
一叶飞舟 2016-09-01
- 打赏
- 举报
jack_qdb 2016-08-31
- 打赏
- 举报
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
架构师大头兵 2016-08-31
- 打赏
- 举报
帮忙顶一下，同样关注，大神出来解答一下
一叶飞舟 2016-08-31
- 打赏
- 举报
一叶飞舟 2016-08-31
- 打赏
- 举报
一叶飞舟 2016-08-31
- 打赏
- 举报
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？
一叶飞舟 2016-08-30
- 打赏
- 举报
一叶飞舟 2016-08-30
- 打赏
- 举报
