¿Cuál es la mejor manera de importar / leer datos de archivos pdf?

Question

Obtenemos una gran cantidad de datos de nuestros clientes en archivos pdf en diferentes formatos [en cuanto al diseño], estos archivos suelen ser informes de salida, y normalmente están anotados correctamente [generalmente no necesitan OCR], pero no están formateados lo suficientemente bien como para simplemente copiar varios cientos de páginas de texto de Acrobat no va a funcionar.

El mejor enfoque que he encontrado hasta ahora es escribir un script para analizar la salida xml casi válida (los comentarios no son válidos y muchos caracteres se escapan de diversas maneras, & # 233; se convierte en [[[[e9]] ] & # 233 ;, $ se convierte en \ $,% se convierte en \% ...) de la utilidad pdftoipe de línea de comandos (para convertir archivos pdf para un programa llamado ipe ), que me da elementos de texto con sus posiciones en cada página [ver ejemplo a continuación], que funciona lo suficientemente bien para informes donde los mismos valores están en el mismo colóquelo en cada página que me importa, pero requeriría un esfuerzo de script adicional para importar archivos pdf de matriz [tabla de referencias cruzadas]. pdftoipe no está diseñado para esto y, en el mejor de los casos, puede compilarse manualmente utilizando cygwin para Windows.

¿Hay bibliotecas que facilitan esto desde algún lenguaje de scripting que puedo tolerar? Una herramienta gráfica sería impresionante también. Y un pony.

salida pdftoipe de esta muestra se ve así:

<ipe creator="pdftoipe 2006/10/09"><info media="0 0 612 792"/>
<-- Page: 1 1 -->
<page gridsize="8">
<path fill="1 1 1" fillrule="wind">
64.8 144 m
486 144 l
486 727.2 l
64.8 727.2 l
64.8 144 l
h
</path>
<path fill="1 1 1" fillrule="wind">
64.8 144 m
486 144 l
486 727.2 l
64.8 727.2 l
64.8 144 l
h
</path>
<path fill="1 1 1" fillrule="wind">
64.8 144 m
486 144 l
486 727.2 l
64.8 727.2 l
64.8 144 l
h
</path>
<text stroke="1 0 0" pos="0 0" size="18" transformable="yes" matrix="1 0 0 1 181.8 707.88">This is a sample PDF fil</text>
<text stroke="1 0 0" pos="0 0" size="18" transformable="yes" matrix="1 0 0 1 356.28 707.88">e.</text>
<text stroke="1 0 0" pos="0 0" size="18" transformable="yes" matrix="1 0 0 1 368.76 707.88"> </text>
<text stroke="0 0 0" pos="0 0" size="12.6" transformable="yes" matrix="1 0 0 1 67.32 692.4"> </text>
<text stroke="0 0 0" pos="0 0" size="12.6" transformable="yes" matrix="1 0 0 1 67.32 677.88"> </text>
<text stroke="0 0 0" pos="0 0" size="12.6" transformable="yes" matrix="1 0 0 1 67.32 663.36"> </text>
<text stroke="0 0 0" pos="0 0" size="12.6" transformable="yes" matrix="1 0 0 1 67.32 648.84"> </text>
<text stroke="0 0 0" pos="0 0" size="12.6" transformable="yes" matrix="1 0 0 1 67.32 634.32"> </text>
<text stroke="0 0 0" pos="0 0" size="12.6" transformable="yes" matrix="1 0 0 1 67.32 619.8"> </text>
<text stroke="0 0 0" pos="0 0" size="12.6" transformable="yes" matrix="1 0 0 1 67.32 605.28"> </text>
<text stroke="0 0 0" pos="0 0" size="12.6" transformable="yes" matrix="1 0 0 1 67.32 590.76"> </text>
<text stroke="0 0 0" pos="0 0" size="12.6" transformable="yes" matrix="1 0 0 1 67.32 576.24"> </text>
<text stroke="0 0 0" pos="0 0" size="12.6" transformable="yes" matrix="1 0 0 1 67.32 561.72"> </text>
<text stroke="0 0 0" pos="0 0" size="12.6" transformable="yes" matrix="1 0 0 1 67.32 547.2"> </text>
<text stroke="0 0 0" pos="0 0" size="12.6" transformable="yes" matrix="1 0 0 1 67.32 532.68"> </text>
<text stroke="0 0 0" pos="0 0" size="12.6" transformable="yes" matrix="1 0 0 1 67.32 518.16"> </text>
<text stroke="0 0 0" pos="0 0" size="12.6" transformable="yes" matrix="1 0 0 1 67.32 503.64"> </text>
<text stroke="0 0 0" pos="0 0" size="12.6" transformable="yes" matrix="1 0 0 1 67.32 489.12"> </text>
<text stroke="0 0 0" pos="0 0" size="12.6" transformable="yes" matrix="1 0 0 1 67.32 474.6"> </text>
<text stroke="0 0 1" pos="0 0" size="16.2" transformable="yes" matrix="1 0 0 1 67.32 456.24">If you can read this</text>
<text stroke="0 0 1" pos="0 0" size="16.2" transformable="yes" matrix="1 0 0 1 214.92 456.24">,</text>
<text stroke="0 0 1" pos="0 0" size="16.2" transformable="yes" matrix="1 0 0 1 219.48 456.24"> you already have A</text>
<text stroke="0 0 1" pos="0 0" size="16.2" transformable="yes" matrix="1 0 0 1 370.8 456.24">dobe Acrobat </text>
<text stroke="0 0 1" pos="0 0" size="16.2" transformable="yes" matrix="1 0 0 1 67.32 437.64">Reader i</text>
<text stroke="0 0 1" pos="0 0" size="16.2" transformable="yes" matrix="1 0 0 1 131.28 437.64">n</text>
<text stroke="0 0 1" pos="0 0" size="16.2" transformable="yes" matrix="1 0 0 1 141.12 437.64">stalled on your computer.</text>
<text stroke="0 0 0" pos="0 0" size="16.2" transformable="yes" matrix="1 0 0 1 337.92 437.64"> </text>
<text stroke="0 0.502 0" pos="0 0" size="12.6" transformable="yes" matrix="1 0 0 1 342.48 437.64"> </text>
<image width="800" height="600" rect="-92.04 800.64 374.4 449.76" ColorSpace="DeviceRGB" BitsPerComponent="8" Filter="DCTDecode" length="369925">
feedcafebabe...
</image>
</page>
</ipe>

Answer 1

Usamos Xpdf en una de nuestras aplicaciones. Es una biblioteca de c ++ que se utiliza principalmente para la representación de pdf, aunque tiene un extractor de texto que podría ser útil para este proyecto.

Answer 2

Si estás de acuerdo con llamar a algo externo, puedes usar ghostscript - Mira el script ps2ascii incluido con la distribución. No estoy seguro de lo que desea de una herramienta gráfica: ¿un botón grande que presiona para elegir los archivos de entrada y salida? Una vista previa? Es posible que pueda usar GSView, dependiendo de lo que desee.

Answer 3

pdftohtml -xml

aunque pdftoipe parece mas detallado !!

Answer 4

¿Has mirado Aspose? Lo estamos usando para una aplicación ASP.net y también he visto algunos ejemplos de vbscript al usarlo. Tampoco es particularmente caro.

http://www.aspose.com/