PDFファイルからテーブル構造化テキストを抽出する

Question

私はPDFファイルから情報を文字列に抽出しています。 pdfの構造であるテキストを横切ってテーブルとして来ると、抽出されたテキストは、テーブル行のセルごとではなく、行を横切って読み込まれる方法に分割されます。

時間を読み込んで検索した後、この問題にアプローチして、どのように文字列を以下のように構造化する必要がありますか？

PDF- table structure

現在の文字列：

Difenylmetandiisocyanat 9016-87-9 Acute Tox. 4; H332 >= 10 - < 20 
Skin Irrit. 2; H315 
Eye Irrit. 2; H319 
Resp. Sens. 1; H334 
Skin Sens. 1; H317 
Carc. 2; H351 
STOT SE 3; H335 
STOT RE 2; H373 
4,4'-metylendifenyldiisocyanat 101-68-8 Acute Tox. 4; H332 >= 10 - < 20 
202-966-0 Skin Irrit. 2; H315 
Eye Irrit. 2; H319 
Resp. Sens. 1; H334 
Skin Sens. 1; H317 
Carc. 2; H351 
STOT SE 3; H335 
STOT RE 2; H373 

所望の構造：あなたは "ファイルにはタグがありません" と言うあなたのコメントで

Difenylmetandiisocyanat 

9016-87-9 

Acute Tox. 4; H332 
Skin Irrit. 2; H315 
Eye Irrit. 2; H319 
Resp. Sens. 1; H334 
Skin Sens. 1; H317 
Carc. 2; H351 
STOT SE 3; H335 
STOT RE 2; H373 

>= 10 - < 20 

4,4'-metylendifenyldiisocyanat 

101-68-8 
202-966-0 

Acute Tox. 4; H332 
Skin Irrit. 2; H315 
Eye Irrit. 2; H319 
Resp. Sens. 1; H334 
Skin Sens. 1; H317 
Carc. 2; H351 
STOT SE 3; H335 
STOT RE 2; H373 

>= 10 - < 20 

Answer 1

。私は、ファイルをチェックする場合しかし、私は明らかに構造ツリーを参照してください。

PDFがタグ付けされている場合は、あなたが簡単にXMLに変換することができます：

TaggedPdfReaderTool convertor = new TaggedPdfReaderTool(); 
    convertor.convertToXml(
     new PdfReader("resources/pdfs/sds_w_sv_3.pdf"), 
     new FileOutputStream("results/sds_w_sv_3.xml")); 

これはの抜粋です結果のXMLファイル：

<Table> 
<TR> 
<TH> 
<Span></Span> 
<P> 
Best&#229;ndsdelar 
</P> 
</TH> 
<TH> 
<Span></Span> 
<P> 
CAS 
- 
nr. 
</P> 
</TH> 
<TH> 
<Span></Span> 
<P> 
Kontrollparametrar 
</P> 
</TH> 
<TH> 
<Span></Span> 
<P> 
Grundval 
</P> 
</TH> 

このXMLは、テーブルとしてテーブルを抽出することができますHTMLのような構造です。ただし、PDFに表示されるすべての情報がXMLにレンダリングされるわけではないため、PDFのタグ付け方法に問題があるはずです。あなたが最初のタグのいずれかをクリックしたときは、これを見ることができます

：

構造ツリーの最初の<P>（段落）の内容はに何が起こった40ページのAVSNITT 1であります最初の39ページのタグ？これは悪いPDFファイルです。それはタグ付けされていると言われていますが、一見するとタグ付けが適切ではありません。このファイルを作成した人に、適切にタグ付けするように依頼する必要があります。適切なタグがなければ、プログラム的に表のような構造を見つけることが難しくなります。