PDF提取中缺少表格布局信息
我已经研究了从pdf中提取文本/数据，并使用了其他一些堆栈溢出答案来帮助我，我设置的是Tika通过一个自定义的ContentHandlerDecorator解析pdf，它使用sax事件来解析内容。我遇到了一个问题，当在pdf查看器中查看pdf时，它包含一个按行和列排列的数据表，但这些信息似乎不是从PDF中开始提取的，或者是我不知道如何使用tika / sax找到它。
这是我所看到的一个例子：
一个类似于上面的表给了我这个(当我只想串Sax事件的时候)
START http://www.w3.org/1999/xhtml, div, , div, class = page;
START http://www.w3.org/1999/xhtml, p, , p,
END http://www.w3.org/1999/xhtml, p, , p
WHITESPACE[
], 0, 1
START http://www.w3.org/1999/xhtml, p, , p,
CHARS [I, n, f], 0, 3
WHITESPACE[
], 0, 1
CHARS [o], 0, 1
WHITESPACE[
], 0, 1
END http://www.w3.org/1999/xhtml, p, , p
START http://www.w3.org/1999/xhtml, p, , p,
CHARS [I, n, f, o], 0, 4
CHARS [ ], 0, 1
CHARS [H, 1], 0, 2
CHARS [ ], 0, 1
CHARS [H, 2], 0, 2
CHARS [ ], 0, 1
CHARS [H, 3], 0, 2
CHARS [ ], 0, 1
CHARS [H, 4], 0, 2
WHITESPACE[
], 0, 1
END http://www.w3.org/1999/xhtml, p, , p
// Start of Second Row
START http://www.w3.org/1999/xhtml, p, , p,
CHARS [1], 0, 1
CHARS [I, n, f, 1], 0, 4
WHITESPACE[
], 0, 1
CHARS [I, n, f, 2], 0, 4
WHITESPACE[
], 0, 1
END http://www.w3.org/1999/xhtml, p, , p
START http://www.w3.org/1999/xhtml, p, , p,
CHARS [I, n, f, 3], 0, 4
WHITESPACE[
], 0, 1
END http://www.w3.org/1999/xhtml, p, , p
START http://www.w3.org/1999/xhtml, p, , p,
CHARS [D, 1], 0, 2
CHARS [ ], 0, 1
CHARS [D, 4], 0, 2
END http://www.w3.org/1999/xhtml, p, , p由于段落的结尾看起来是随机的，没有指示何时开始新的行，在第二行的情况下，空列的数据不知何故没有间隙，尽管它在查看器中像那样显示。
很抱歉我不能提供pdf，但我正在寻找任何关于这些额外的格式化/布局数据存储在哪里或可以提取的信息，因为我从Tika得到的信息显然是缺失的。所有段落中都没有任何定语。
如果它有帮助，我知道PDF是使用iText生成的，因为我可以在元数据中看到这一点，但当试用iText时，它似乎没有提供一种以编程方式打开和解析pdf的方法，而不提供某种预先制作的提取模板，这是我不想做的。
回答 1
Stack Overflow用户
发布于 2019-09-11 22:12:20
这些SAX信息对于获取您想要的信息几乎毫无用处。IIRC，iText有一个文本提取应用程序接口，您需要它提供的位置信息，以便确定给定的文本位于哪一列。
看看iText的SimpleTextExtractionStrategy。您需要构建一些类似的东西来关注eventOccurred()，查找EventType.RENDER_TEXT。当您获得一个文本呈现事件时，您需要查看转换为TextRenderInfo的IEventData参数，并找出它在页面(和表中)的位置，以及它是否在表中，等等。
根据位置信息，您必须推断出每段文本来自哪一列。不要依赖于按逻辑顺序出现的信息。不要在单个呈现事件中依赖于单元格的文本。
注意:我对pdfbox、sax或apache-tika几乎一无所知，因此可能有一种不那么“自己”的方法来完成这项工作。例如，您可以调整Tika的输出，以提供定位信息(绝对或相对)。这些信息可能来自非常类似于SimpleTextExtractionStrategy的东西。
祝你打猎愉快。
https://stackoverflow.com/questions/57886268
复制相似问题
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号