Автоматизированный перегон PDF в SQL

Question

[AJ]

Доброго, человеки.
Приколов в жизни разрабов хватает. Особенно с фантазиями заказчиков. Очередной такой прикол постиг и меня.
Есть каталог запчастей к строительной технике. В формате… PDF.
25 Gb файлов содержат взрыв-схемы, номера запчастей, названия и прочую нужную информацию. И нужно это превосходное количество перегнать в приемлемый формат БД. В данный момент SQL.
Я уверен, что есть текстовый формат. Но предоставлять его никто не будет. Конкуры и производитель в этом не заинтересованы. Всякие AutoCD зашиты в закрытый формат.

Подскажите самый короткий путь от PDF до SQL. Пока мне в голову лезет только PDF->XLSX->Parser->SQL
Но фиг его знает. Вдруг кто сталкивался.

Заранее спасибо за ответы.

Answer 1

[Sergey]

Посмотрите, там близко к теме, особенно в комментах: habrahabr.ru/post/130601/

Comments

[AJ]

Это крайний вариант. Я надеюсь на работу с разделителями.

Answer 2

[KEKSOV]

Вот еще утилита для извлечения текста multivalent.sourceforge.net/Tools/ Кстати, и у ABBY есть утилита, которая может оказаться полезной

Честно говоря, PDF может быть таким хитро навороченным, что фиг из него чего достанешь в машинно читаемом виде

Comments

[AJ]

В этом то и проблема. Но общий принцип структуры понятен. Взрыв схема->Колонки с инфой по группе. Дальше все повторяется.

Answer 3

[ChemAli]

Делали как-то простой поиск по pdf. Конвертили pdf2xml, потом тупо искали по xml.
В вашем случае, думаю, это мало поможет, потому что верстка от страницы к странице отличается, а в xml пишутся текстовые блоки с координатами расположения текста и непосредственно текстом. То есть структурированные данные получить едва ли удастся.

Answer 4

[Александр]

PDF -> text -> parser -> sql

Comments

[Александр]

парсинг текста по уже ключевым словам