寻找有关如何将PDF转换为结构化格式的建议

Question

我想对即将拍卖中列出的一些房产做一些分析.不幸的是,运营拍卖的城市并没有以结构化格式发布信息,而是提供了700多页的拍卖物业PDF.

我想知道社区是否有任何关于如何解析所述PDF到结构化格式以插入数据库或创建属性的电子表格的想法.

这是每个页面代表的图像:

这是一个列出一些属性的页面:

我对python和ruby很满意所以我没有任何问题编写解决方案,但因为"列"和那些列中的数据没有必要捆绑在一起,看起来这可能是一个可疑的命题.

任何想法将不胜感激.

Answer 1

使用命令将Xpdf转换为文本pdftotext。

我用以下内容转换了您的文件：

pdftottext.exe -layout -f 23 -l 510 AuctionBook2013.pdf AuctionBook2013.txt

此转换使文本完全保留其原始布局（由于-layout选项）。选项-f和-l指示要提取的页面范围的第一个和最后一个页码。

从这里开始，解析应该很简单——第 8 列中的数字表示记录的第一行，空白行结束记录。按照指南在记录中准确定位元素。