Разобрать файл pdf

Question

У меня есть такой PDF-файл:

81 11005589 THING MAXIME 4 PC2I TR1 - MERCREDI DE 07H45 A 09H45 4A7
71 11007079 STUFF QUENTIN 1 PC2I TR1 - LUNDI DE 10H00 A 12H00 1B4
74 10506940 HAHA YEZHOU 2 PC2I TR1 - LUNDI DE 13H30 A 15H30 2D5

http://i.stack.imgur.com/hbXg2.png

И мне нужно его проанализировать.Под этим я подразумеваю взять 4-й столбец, добавить 3-й столбец и сделать из него адрес электронной почты.Например, в первой строке: maxime.thing@something.com

Я пытался перевести его в Google Документы, но он просто переместил его в одну ячейку вместо нескольких.* Я действительно не знаю, что здесь делать.Я думаю, регулярное выражение поможет мне, но с чем?

Answer 1

Если это Java iText , если это C # iTextSharp , оба бесплатны для некоммерческого использования.

Answer 2

Вы не можете быть уверены, что в PDF есть какая-то структура, из-за которой текст виден.Вам действительно нужно использовать инструмент для извлечения.Я написал статью, объясняющую, что на самом деле форматирование в PDF-файле на http://www.jpedal.org/PDFblog/?p=228

Answer 3

Вы не можете просто использовать регулярное выражение для разбора PDF.Вам нужно извлечь текст.Есть много библиотек, которые могут сделать это для разных языков.

Моя компания, Atalasoft, имеет надстройку для извлечения текста для .NET - http://www.atalasoft.com/products/dotimage/pdf-reader

.на PDFTextStream от Snowtide.http://www.snowtide.com.

Answer 4

Если в PHP вы можете использовать

exec('pdftotext '.$filepath, $outputAsArray); //execute the command pdftotext. Proabably installed if you're on linux, if not you can install it /// to transform the pdf to text,

тогда

$text = implode($outputAsArray,"\n"); //to have the output as text

тогда preg_replace ваш друг.

Answer 5

Ранее я использовал Aspose для парсинга PDF / Word документов / Excel документов / и некоторых других документов ранее.Я не уверен, каковы их возможности, когда дело доходит до разбора таблиц в PDF, но я не удивлюсь, если у них что-то будет.* у них есть непростительно плохой метод обновления своих библиотек.Мне пришлось переписать код, потому что они выпускают функциональность DROP при выпуске новых версий.Не осуждается, просто GONE. Тем не менее, их поддержка в порядке, а набор инструментов довольно мощный.

Я знаю, что у них есть библиотеки для .NET и Java.Помимо этого я не могу сказать.