我有（相同的）数据保存为GIF图像文件和PDF文件，我想将其解析为HTML或XML。数据实际上是我大学食堂的菜单。这意味着每周必须解析文件的新版本！通常，这些文件包含一些页眉和页脚文本，以及介于两者之间的充满其他数据的表格。我已经阅读了一些关于stackoverflow的文章，我也开始尝试将表数据解析为HTML/XML：
- PDFBox || iText （Java）
- 谷歌文档导入
- PDF2HTML ||PDF2表
.GIF
- Tesseract-OCR
我从使用 PDFBox 解析 PDF 文件中得到了最好的结果，但仍然（因为菜单每周更换），它不够可靠。我收到的 HTML 有时包含更多，有时更少的"段落"（<p>），因此我无法充分解析数据优先级。
这就是为什么我想知道是否有其他方法可以做到这一点？
Tabula 是 JRuby Web 界面的一个很好的开端，用于从任意 PDF 中提取 CSV/TSV 表格。
我已经实现了自己的算法（它的名字是traprange）来解析pdf文件中的表格数据。
以下是一些示例 pdf 文件和结果：
- 输入文件：样本 1.pdf，结果：样本 1.html
- 输入文件：样本-4.pdf，结果：样本-4.html
访问我的项目页面 陷阱范围
或我在陷阱范围的文章
您可以使用 Camelot 从 PDF 中提取表格并将其导出为 HTML 文件。还支持CSV，Excel和JSON。您可以在以下位置查看文档：http://camelot-py.readthedocs.io。与其他开源表提取工具和库相比，它提供了更准确的结果。这是一个比较。
您可以使用以下代码片段继续执行任务：
>>> import camelot
>>> tables = camelot.read_pdf('file.pdf')
>>> type(tables[0].df)
<class 'pandas.core.frame.DataFrame'>
>>> tables[0].to_html('file.html')
免责声明：我是图书馆的作者。
每周从表中提取一次数据并且您使用的是Windows，请检查此免费软件pdf实用程序，其中包括自动表检测和表到CSV，XML转换：PDF查看器实用程序。
该实用程序对于非开发人员的商业和非商业用途都是免费的（对于想要通过 API 实现自动化的开发人员，还有单独的版本）。
免责声明：我为字节侦察兵工作
我已经尝试了许多OCR和文本转换器软件，尽管我相信曾经应该编写程序将PDF自转换为文本，因为执行任务的人可以更好地理解图像。
我还尝试使用谷歌和许多其他不同公司的在线（约900个网站）和离线（约1000个软件）产品。如果你想从任何方法（如OCR或PDF文本）中提取文本，那么我找到的最准确的程序是PDFTOHTML。PDFTOHTML的准确率约为98%，Google Online的准确率约为94%。这是一款非常好的软件，它还为您提供正确的文本格式，即文本的粗体、斜体等。
用于主要模板 Tabula 是开源的最佳选择，而 Abbyy PDF 编辑器是企业级 PDF 数据提取和修改的绝佳解决方案。Abbyy 从事 OCR 工作。
表格有两个自动表检测选项，另一个是通过提供坐标手动。
都在同一个地方吗？ 如果你能找到每个框的尺寸，你可以使用一个工具将PDF拆分成多个文档，每个文档包含一个框，之后你可以使用任何你想要的工具将每个较小的PDF转换为HTML（例如其他答案中提到的工具）。 随机的谷歌搜索拉出了PyPdf，看起来它可能有一些有用的功能。
如果您无法对框的大小进行硬编码（或者想将问题应用于不同格式的多个菜单），对我来说显而易见的方法（我说显而易见，不容易）是边缘检测以找到表格边框的位置，然后应用我之前谈到的拆分。
我最近遇到了类似的问题。
我发现的另一种解决方案是在Adobe中打开PDF文档并将其导出为xml。至少在我的 PDF 中，它保留了表格信息，然后我能够以编程方式使用 XML 生成 excel 等表格文件。
我遇到的另一个问题是Adobe一次只允许您导出一个文件，而我有很多文件。幸运的是，Adobe也具有合并功能。我最终将所有文件合并在一起，然后将它们导出为一个大的XML文件，并使用该文件生成我需要的内容。