Конвертация таблиц без границ ячеек из pdf в excel или csv?

Question

[ac130kz]

Имеется pdf файл с многостраничной таблицей без границ ячеек.

Пример пары рядов:
Скачать pdf файл

Необходимо преобразовать в excel или csv с правильным разделением по ячейкам. Сложность заключается в том, что множество конвертеров, в том числе и встроенный в Adobe Acrobat, PyPDF2 и другие считывают файл неправильно - добавляют лишние строки и ломают разметку. Я приспособился использовать программу PDF2XL, в которой есть ручной режим, позволяющий задать вручную границы для ячеек. Однако, хотелось бы автоматизировать данный процесс с помощью Python или на другом языке.

Answer 1

[Александр Самохин]

Для решения подобной задачи я писал скрипт, который использовал pdfminer.
Основные операции, которые он выполнял:
1. конвертировал pdf в xml. Вот пример результата преобразования.

<textbox id="17" bbox="384.771,365.240,431.953,377.063">
<textline bbox="384.771,365.240,431.953,377.063">
<text font="DJHCLP+TT66ACo00" bbox="384.771,365.240,396.357,377.063" size="11.823">N</text>
<text font="DJHCLP+TT66ACo00" bbox="396.337,365.240,408.821,377.063" size="11.823">G</text>
<text font="DJHCLP+TT66ACo00" bbox="408.800,365.240,419.489,377.063" size="11.823">S</text>
<text font="DJHCLP+TT66ACo00" bbox="419.469,365.240,431.953,377.063" size="11.823">O</text>
</textline>
</textbox>

Значение атрибута bbox это координаты текста X1, Y1, X2, Y2.
2. парсил xml, создавал "текстовые элементы";
3. вычислял среднее значение Y для элементов. Те элементы, у которых средний Y одинаковый, принадлежат одной строке, при условии что они находятся на одной странице;
4. сортировал элементы по номеру страницы и среднему Y;
5. сортировал элементы принадлежащие одной строке по X1;
6. собирал строки в нужном формате из отсортированных элементов.

Comments

[Алексей Черемисин]

Вот, да! Это же титанический труд! Но, да, подход как минимум рабочий.
Делали почти такое-же, только для RTF :-)

[ac130kz]

очень интересный подход, вообще да - зафиксировать колонки легко вручную, а вот высчитывать ряды это основная задача

Answer 2

[Алексей Черемисин]

Увы, формат pdf вообще не знает ничего про таблицы, нет в нем таких структур. А сам pdf был придуман для препринта и несет в себе только текст-графику и инструкции по их позиционированию на странице. Каждая ячейка представляет блок текста и инструкции по позиционированию, всё. Мы в свое время специально извращались, чтобы затруднить копирование, перемешивали блоки в pdf, тогда вообще копипаст представлял из себя чудовищную кашу из обрывков разных абзацев страницы. Так что формально из pdf ничего осмысленно-структурированного вытащить не получится. Если хотите как-то обмениваться таблицами, то для этого есть и xls и csv и xml...
Собственно, в pdf можно что-то положить, а вот обратно - хреново.
Да и как формат он был придуман из обрезков postscript - языка для печати, вот туда-обратно конвертация безупречная :-)

Answer 3

[Dimonchik]

pdf в Питоне тяжело

преобразуй в csv, обрабатывай масками, оттуда в ексель

Comments

[ac130kz]

не обязательно питон

маски очень тяжело задать, едет практически вся разметка

[Dimonchik]

ну, cap:60 - то в конце сроки везде есть ))

см. решения по конвертации у нитропдф, фоксит и abby

[ac130kz]

foxit - плохо
abbyy - плохо

нитро попробую

cap: меняется и почему-то конвертеры считают название предмета как несколько строк, что неподходит для решения