Как объединить информацию в Excel или CSV. файл с использованием API извлечения Adobe PDF Services?

Question

Недавно я начал использовать API извлечения Adobe PDF Services. Хоть я и могу извлечь некоторые фрагменты информации из pdf, но они не структурированы. Как объединить данные в формате PDF в отдельные столбцы файла Excel или .csv? Данные включают в себя как текст, так и таблицы.

Я попробовал примеры кодов извлечения PDF-файлов, приведенные в документации, но форма, в которой представлены данные, не организована.

      import logging
import os.path

from adobe.pdfservices.operation.auth.credentials import Credentials
from adobe.pdfservices.operation.exception.exceptions import ServiceApiException, ServiceUsageException, SdkException
from adobe.pdfservices.operation.pdfops.options.extractpdf.extract_pdf_options import ExtractPDFOptions
from adobe.pdfservices.operation.pdfops.options.extractpdf.extract_element_type import ExtractElementType
from adobe.pdfservices.operation.execution_context import ExecutionContext
from adobe.pdfservices.operation.io.file_ref import FileRef
from adobe.pdfservices.operation.pdfops.extract_pdf_operation import ExtractPDFOperation

logging.basicConfig(level=os.environ.get("LOGLEVEL", "INFO"))

try:
    # get base path.
    base_path = os.path.dirname(os.path.dirname(os.path.dirname(os.path.abspath(__file__))))

    # Initial setup, create credentials instance.
    credentials = Credentials.service_account_credentials_builder() \
        .from_file(base_path + "/pdfservices-api-credentials.json") \
        .build()

    # Create an ExecutionContext using credentials and create a new operation instance.
    execution_context = ExecutionContext.create(credentials)
    extract_pdf_operation = ExtractPDFOperation.create_new()

    # Set operation input from a source file.

    for x in range(0,100):
       s=str(x)
       source = FileRef.create_from_local_file(base_path + "/resources/output" +s + ".pdf")
       extract_pdf_operation.set_input(source)

    # Build ExtractPDF options and set them into the operation
       extract_pdf_options: ExtractPDFOptions = ExtractPDFOptions.builder() \
            .with_element_to_extract(ExtractElementType.TEXT) \
            .with_element_to_extract(ExtractElementType.TABLES) \
            .build()
       extract_pdf_operation.set_options(extract_pdf_options)

    # Execute the operation.
       result: FileRef = extract_pdf_operation.execute(execution_context)

    # Save the result to the specified location.
       result.save_as(base_path + "/output/ExtractTextTableInfoFromPDF" + s + ".zip")
except (ServiceApiException, ServiceUsageException, SdkException):
    logging.exception("Exception encountered while executing operation")

Answer 1

Так что этого следовало ожидать. Учитывая PDF-файл, наш API может рассказать вам обо всех его частях: «В данный момент x и y у нас есть шрифт такой-то и текст такой-то», но он не может сказать вам: «Это имя человека». Мы бы нашли их имя, но не знали бы, что это имя.

Итак, мы вернули структурированную информацию, но речь идет о структуре документа , а не о его значении.

Если в вашем PDF-файле есть таблицы, мы получим их в формате CSV/XLS, который вы сможете проанализировать, но мы не скажем вам: «О, это таблица кошек», а скорее табличные данные со столбцами чисел.