这是一个创建于 526 天前的主题，其中的信息可能已经有所发展或是发生改变。
需要从检测报告中抓取数据，检测报告为 pdf 格式，每月有几千份，报告的具体内容格式为：
第一页有报告编号、供应商信息、样品信息、时间、检测要求等信息；
第二页为检测依据，是一个表格的格式，有测试项目（一些化学成份，如铅、汞、红磷等）、测试方法、测试仪器，一共三列，行数不固定，取决于检测要求，这一页的数据不需要抓取；
从第三页开始为检测结果，也是表格的形式，有多个表格，从上往下排列，所以会有多页，表格有测试项目、结果、方法检出限，每个表格一共三列，行数不固定，这些数据需要抓取。
检测结果列举完毕，后面有检测流程之类不需要的信息。
需求是自动审核这些报告，所以需要抓取第一页及第三页开始的数据，然后加工成 K:V 的形式，将测试结果和数据库里的数据比较，来判断报告内容是否合规，达到自动审核的目的。
困难点是需要精确抓取数据，这种需求能否实现？
第一页有报告编号、供应商信息、样品信息、时间、检测要求等信息；
第二页为检测依据，是一个表格的格式，有测试项目（一些化学成份，如铅、汞、红磷等）、测试方法、测试仪器，一共三列，行数不固定，取决于检测要求，这一页的数据不需要抓取；
从第三页开始为检测结果，也是表格的形式，有多个表格，从上往下排列，所以会有多页，表格有测试项目、结果、方法检出限，每个表格一共三列，行数不固定，这些数据需要抓取。
检测结果列举完毕，后面有检测流程之类不需要的信息。
需求是自动审核这些报告，所以需要抓取第一页及第三页开始的数据，然后加工成 K:V 的形式，将测试结果和数据库里的数据比较，来判断报告内容是否合规，达到自动审核的目的。
困难点是需要精确抓取数据，这种需求能否实现？
 |
1
iyiluo 2023-06-01 10:40:06 +08:00
有很多第三方 pdf 解析工具，直接调用就行，固定格式固定位置的文件很好解析。java 有免费的 pdfBox 和收费的 itext
|
 |
2
hhjswf 2023-06-01 10:46:07 +08:00
做过类似的，感觉挺傻 X,不知道什么人拍脑袋想出来的
|
 |
3
LouchardBillyham OP @iyiluo 问题在于非固定非结构文件，如发票这种固定的文件我就不会来问了
|
 |
4
rzdCG 2023-06-01 10:59:15 +08:00
spire.pdf
|
 |
5
ZhuGeQing 2023-06-01 14:05:09 +08:00 via iPhone
都表格了，肯定是固定格式了，但是依然需要自己去清洗数据，可以从 pdf 的“源码”入手，筛选出所有的表格，判断表格是否是自己要的，如果是，那么就能根据行列标记拿到数据了
|
 |
6
zbatman 2023-06-01 14:25:02 +08:00
|
|
7
LouchardBillyham OP @zbatman 这个确实牛，比 chatpdf.com 牛，能 98%实现我的需求
|
 |
8
hkiJava 2023-10-13 17:19:24 +08:00
@LouchardBillyham 想问一下 op 怎么生成 kv 啊 上面发的没法生成
|
Select Language