如何抓取数千个PDF文件中的表格？

Question

我有大约1500个PDF文件，每个文件只有一页，而且结构都一样（可以参考这个例子：http://files.newsnetz.ch/extern/interactive/downloads/BAG_15m_kzh_2012_de.pdf）。

我想找到一种方法，能够遍历这些文件（如果可以的话，最好是在本地），并提取表格的实际内容（比如转成CSV格式，存到SQLite数据库里，或者其他方式）。

我希望能用Node.js来做这个，但我找不到合适的库来解析这些内容。你知道有什么库吗？

如果在Node.js中不行，我也可以用Python来编写代码，如果有更好的方法的话。

Answer 1

我之前不知道，less 竟然有这个神奇的功能，可以读取pdf文件。我用下面这个脚本成功提取了你提供的pdf里的表格数据：

import subprocess
import re

output = subprocess.check_output(["less","BAG_15m_kzh_2012_de.pdf"])

re_data_prefix = re.compile("^[0-9]+[.].*$")
re_data_fields = re.compile("(([^ ]+[ ]?)+)")
for line in output.splitlines():
    if re_data_prefix.match(line):
        print [l[0].strip() for l in re_data_fields.findall(line)]