從 PDF 文件中進行非 OCR 表格提取
PDF 文件通常包含表格,表格是許多應用程式的基本資料結構。然而,從 PDF 中提取表格作為結構化資料仍然是一個挑戰,尤其是當 OCR 不可行時。
PDF 渲染的限制
許多提取表格的嘗試開始透過將 PDF 轉換為 HTML。然而,由於字體問題和文字識別效果差,這種方法通常會產生不令人滿意的結果,尤其是對於非英語文件。或者,對於具有不同表格位置的文檔,基於 x 和 y 座標提取表格是不可行的。
人類表格辨識的複雜性
根本困難在於事實上,PDF 沒有明確定義表結構。相反,它們呈現人類解釋為表格的文本和線條。在程式碼中複製這種解釋是一項艱鉅的任務。
不可提取的文本
在提供的具體示例中,出現了另一個問題:文檔包含損壞的文本數據,使得直接文本提取變得不可能。從 Adobe Reader 複製和貼上文字不會產生有意義的結果,從而妨礙了基於文字的提取方法的可行性。
結論
雖然從PDF 中進行簡單的文本提取是由於結構化數據相對簡單、可靠的表提取仍然是一個挑戰,特別是當OCR 不可行時。 PDF 渲染的限制、人工表格識別的複雜性以及潛在的文字損壞問題為自動表格擷取帶來了重大障礙。因此,通常需要針對特定文件結構和格式自訂的解決方案才能有效地從 PDF 中提取表格。
以上是如何在沒有 OCR 的情況下從 PDF 中提取表格?的詳細內容。更多資訊請關注PHP中文網其他相關文章!