Как преобразовать файлы из PDF или docx в csv в заданном формате?

Question

[C1inicist]

Добрый день!

У меня появилась задача загрузить справочник стандартов медицинской помощи в 1С. Проблема в том, что они есть только в PDF, либо в docx. Решение сводится к преобразованию этих форматов в csv, либо xls в заданном формате. Кто-то решал подобные задачи? Примеры файлов прилагаю.

Comments

[Александр Нестеров]

Примеры файлов прилагаю

И где?

[C1inicist]

PDF или DOCx нужно переделать в csv подобного формата

[Jacen11]

конечно решали, да только тебе что с того? у всех разные правила оформления данных. Для вытаскивания данных из ворда много вариантов на любом языке. Нужно писать скрипт, скорее всего геморный не на один день, формат у ворда замороченный

[C1inicist]

https://drive.google.com/drive/folders/1N5xvHfVvMM...

[C1inicist]

Может кто возьмётся за такой труд?

[C1inicist]

Jacen11, Как я понимаю, с PDF ещё хуже?

[Adamos]

C1inicist, с PDF все хорошо, о нем в такой задаче можно просто забыть.
А вот XLSX в CSV штатно переводит любой офис.
Вот только что вы потом будете делать с такой кашей неструктурированных данных - это для меня загадка.

[mayton2019]

Этот вопрос - на мильен баксов.

Эффективность решения будет сильно зависеть от того как представлены исходные данные. По поводу pdf/docx. Очень важно что было первоисточником. Если doсx получет путем конверсии из pdf то нафиг он такой нужен. Лучше всегда брать то что оригинал. Меньше шума будет внутри файла.

Очень важно как представлены таблицы. Это текст? Или сканированные картинки? Тоже сильно вляет на оценку сложности.

Очень важно имел-ли документ какие-либо защиты. Шифрования. DRM. Обфускация кодовых страниц. Активные скрипты.

Примеры файлов я так понимаю модератор удалил. И правильно. Нефиг. Подобные документы всегда имеют огранченную лицензию. Не стоит подставлять habr.

[Jacen11]

C1inicist, там дублируется все я так понимаю? тогда можно взять только XLSX, технических проблем с XLSX особо нет, скорее проблема что нужно понять какие данные куда запихивать
ну и если вы не разбираетесь в программирование это вам на фриланс, по идеи не за дорого сделают

[Adamos]

Jacen11, вангую, что еще по дороге на фриланс окажется, что у ТС нет ТЗ, так как он сам не представляет конкретной схемы обработки этих данных.

[mayton2019]

Adamos, с моей точки зрения - это авантюра. Если считать цену разработки - против вёрстки текста, то проще посадить бухгалтершу, заплатить ей чуть больше и она за пару вечеров набъет все таблицы вручную.

Answer 1

[Айнур Бирдин]

ABBYY FlexiCapture или Tesseract OCR

Answer 2

[Константин]

PDF, либо в docx

они тоже бывать разные.
если то что в примере то это руками могут вбить