Чем распарсить pdf?

Question

[kr_ilya]

Есть необходимость парсить данные из pdf документа. Сам документ состоит из таблицы с тремя колонками, перед таблицей немного ненужного текста. По сути нужна только таблица. Она на несколько страниц. В таблице по мимо текстовой информации есть гиперссылки, которые тоже нужно спарсить.

Чем можно эффективно выдернут все данные из этой таблицы, чтобы в последствии с простотой оперировать ими? Я думал на json. Но не знаю в верном направлении ли я смотрю.

Язык программирования не важен. Лишь бы была библиотека, которая может это реализовать.

Answer 1

[Saboteur]

какое отношение json имеет к парсингу?
pdf вещь такая, что там таблица может быть и картинкой, и тогда только распознавать.

Comments

[kr_ilya]

Каким то образом конвертировать данные таблицы в json, что к ним можно было легко обращаться. И это не картинка, а именно таблица.

[Saboteur]

Так а таблицу вы чем из pdf получили?
А так - просто таблицу в массив и в JSON, например https://github.com/douglascrockford/JSON-js/blob/m...

Answer 2

[Алан Гибизов]

Если pdf - не картинка, если в открытом adobe reader-ом файле pdf можно выделить и скопировать текст, то для того, чтобы вытащить оттуда таблицу, надо открыть pdf при помощи word. Затем из Word таблицу можно копипастить в excel.
Соответственно, автоматизировать этот процесс проще на основе MS office и VBA.

Answer 3

[12rbah]

Чем можно эффективно выдернут все данные из этой таблицы, чтобы в последствии с простотой оперировать ими?

- если нужно извлекать отдельную таблицу, вроде только свой парсер писать (или на фриланс сходить), если просто извлечь весь текст, то popler-utils (можно постранично извлекать) использовать и потом уже парсите извлеченный текст, только нужно будет определить где начало таблицы где конец.