Yocker
  1. Yocker
  3. Analisi di file PDF (in particolare con tabelle) con PDFBox
Intereting Posts
Richiama il metodo appena prima che la sessione scada Perché Spark fallisce con java.lang.OutOfMemoryError: superato il limite di sovraccarico GC? Elimina i tipi di valore nullo dall’essere emessi da XmlSerializer Compilare una matrice utilizzando Constexpr in fase di compilazione Come ottenere Ruby / Homebrew / RVM per lavorare su Yosemite? Coordinate geospaziali e distanza in chilometri Perché il qualificatore volatile viene utilizzato tramite out std :: atomic? Elimina i record duplicati da una tabella SQL senza una chiave primaria Che cosa è un uso pratico per una chiusura in JavaScript? NSObject + load e + initialize – Che cosa fanno? Converti i cookie di Google Analytics in Archiviazione locale / delle sessioni Tipo di accessorio UITableViewCell Selezionato Toccare e Imposta altro non selezionato Angular 2 – Come navigare verso un’altra rotta usando this.router.parent.navigate (‘/ about’)? Meteor può essere utilizzato con PhoneGap? Componente per filtrare un elenco

Analisi di file PDF (in particolare con tabelle) con PDFBox

Ho bisogno di analizzare un file PDF che contiene dati tabulari. Sto usando PDFBox per estrarre il testo del file per analizzare il risultato (String) in seguito. Il problema è che l’estrazione del testo non funziona come previsto per i dati tabulari. Ad esempio, ho un file che contiene una tabella come questa (7 colonne: le prime due hanno sempre dati, solo una colonna di complessità ha dati, solo una colonna di finanziamento ha dati): 

+----------------------------------------------------------------+ | AIH | Value | Complexity | Financing | | | | Medium | High | Not applicable | MAC/Other | FAE | +----------------------------------------------------------------+ | xyz | 12.43 | 12.34 | | | 12.34 | | +----------------------------------------------------------------+ | abc | 1.56 | | 1.56 | | | 1.56| +----------------------------------------------------------------+

Quindi uso PDFBox: 

 PDDocument document = PDDocument.load(pathToFile); PDFTextStripper s = new PDFTextStripper(); String content = s.getText(document);

Queste due righe di dati verrebbero estratte in questo modo: 

 xyz 12.43 12.4312.43 abc 1.56 1.561.56

Non ci sono spazi bianchi tra gli ultimi due numeri, ma questo non è il problema più grande. Il problema è che non so cosa significano gli ultimi due numeri: Medio, Alto, Non applicabile? MAC / Altro, FAE? Non ho la relazione tra i numeri e le loro colonne.

Non è necessario per me utilizzare la libreria PDFBox, quindi una soluzione che utilizza un’altra libreria va bene. Quello che voglio è essere in grado di analizzare il file e sapere cosa significa ogni numero analizzato.