Как извлечь таблицу из плохо отформатированного PDF-файла?

Question

Мой клиент должен иметь CSV с именем, фамилией, DOB из своей базы данных учета.

Проблема заключается в том, что их учетное программное обеспечение «находится в облаке» (следовательно, на чужом компьютере и свободно доступно от любого человека в мире), и все это может сделать с помощью очень плохо отформатированной «приветственной карточки pdf», , например,

hi <newline> 
<lots of spaces>my name is %name% <lots of spaces> %surname% 
<lots of newlines and spaces to simulate text alignment to the right>I was born in %dob 
<newpage> 

Итак, все, что я могу получить, это PDF-файл на 500 страниц с этим непригодным для использования контентом.

Есть ли способ извлечь данные из такого файла?

Answer 1

Важно знать, нужно ли вам делать это несколько раз или только один раз в один файл на 500 страниц. Я буду считать только один раз.

В этом случае получите PDF, преобразованный в XML (если это вообще возможно) или текстовый файл (доступно много конвертеров - просто Google).

Тогда важно знать, отформатированы ли все «записи» одинаково - так и формат: .... имя ... фамилия ... доб ... адресная линия1 .... (где ... это то, что вам не нужно)

Всегда есть «метки» или «теги», которые говорят вам следующее: «адресная строка 1» или если значение пропущено, вы можете сказать?

Если структура всегда одна и есть, и вы можете определить, нет ли значения в этой записи, тогда у вас есть шанс сращивания регулярных выражений, чтобы преобразовать ее в достойный формат. В противном случае это будет очень сложно, но вы можете собрать много (если не все) информацию.

Answer 2

Я сделал это! Спасибо за подсказки, это то, как я сделал бесполезное PDF стать полезным CSV:

1. я преобразовал PDF в TXT, используя cloudconvert.com
2. Я наблюдал, как файл был с cat -A
3. I заметил, что существует новая строка перед каждыми полезными данными
4. Я заметил, что каждая страница закончилась FORM FEED характера
5. Я заменил все символы новых строки с ;
6. I R eplaced каждый FORM FEED символ с символом новой строки
7. Я импортировал (новоиспеченный) CSV в LibreOffice и я удалил бесполезных столбцы