Qual é a melhor maneira de importar/ler dados de arquivos PDF?

Question

Obtemos uma grande quantidade de dados de nossos clientes em arquivos PDF em vários formatos [em termos de layout], esses arquivos normalmente são saídas de relatórios e normalmente são anotados adequadamente [eles geralmente não precisam de OCR], mas não formatados bem o suficiente para que simplesmente copiar centenas de páginas de texto do Acrobat não vai funcionar.

A melhor abordagem que encontrei até agora é escrever um script para analisar a saída xml quase válida (os comentários são inválidos e muitos caracteres são escapados de maneiras variadas, é torna-se [[[e9]]]é, $ torna-se \ $, % torna-se \%...) do utilitário de linha de comando pdftoipe (para converter arquivos pdf para um programa chamado ipê), que me fornece elementos de texto com suas posições em cada página [veja o exemplo abaixo], o que funciona bem o suficiente para relatórios em que os mesmos valores estão no mesmo lugar em todas as páginas de meu interesse, mas exigiria esforço extra de script para importar a matriz [tabulação cruzada] arquivos pdf.O pdftoipe não se destina a isso e, na melhor das hipóteses, pode ser compilado manualmente usando o cygwin para Windows.

Existem bibliotecas que facilitam isso em alguma linguagem de script que eu possa tolerar?Uma ferramenta gráfica também seria incrível.E um pônei.

saída pdftoipe de esta amostra se parece com isso:

<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

Nós usamos Xpdf em um de nossos aplicativos.É uma biblioteca c++ usada principalmente para renderização de PDF, embora possua um extrator de texto que pode ser útil para este projeto.

Answer 2

Se você quiser chamar algo externo, poderá usar script fantasma - veja o script ps2ascii incluído na distribuição.Não tenho certeza do que você deseja de uma ferramenta gráfica - um botão grande que você pressiona para escolher os arquivos de entrada e saída?Uma prévia?Você poderá usar o GSView, dependendo do que desejar.

Answer 3

pdftohtml-xml

embora o pdftoipe pareça mais detalhado!!

Answer 4

Você já olhou para Aspose?Estamos usando-o para um aplicativo ASP.net e vi alguns exemplos de vbscript usando-o também.Também não é particularmente caro.

http://www.aspose.com/