我必须从发票和账单pdf文件中提取文本
文件布局可能会变得复杂，尽管它主要由表格填充。
我已经读过几十篇关于pdf格式的文章，我们的大脑掌握它是多么容易
，机器理解它的结构是多么困难。还下载了一些工具，如python的pdfminer和一些java工具，有些甚至具有基于规则的布局提取，如LA-PDBtext这些都是很棒的库，留给你最后一步。
Adobe还有一个名为exportPdf的在线服务，但无法定制。
底线，我知道为了从结构化的pdf文件中提取文本并将其转换为XML，应该有一定程度的手动工作。
我还发现了From Data Extractor，这是一个非自由工具，能够设置提取规则，声称可以完成这项工作，尽管很难找到合适的手册，并且它只能在Windows上运行。
我想我什至可以尝试将这些文件转换为图像并尝试 tesseract-ocr，但决定在我花更多时间之前在这里寻求建议。
如果有这样的经验的人给我一个提示，我将不胜感激。
我已经做了很多PDF提取，我可以确认，因为您已经发现开始这可能是一个痛苦的过程。要了解的重要事情之一是，PDF中没有"表格"的概念，只有恰好周围有线条的文本。此外，无法保证 PDF 代码中文本的线性顺序实际上与打印时的视觉顺序匹配。换句话说，不能保证"hello world"是按该顺序编写的，它可以是draw 'word' at coord 20 then draw 'hello' at coord 10。大多数PDF创建者不会这样做，但仍然无法保证。PDF创建者（InDesign，Illustrator等）越有创意，文本就越难被表达出来。实际上，一旦设计师开始过多地弄乱字体，一些程序有时会一次输出一个字符的单词，每次都会稍微改变字体。
也就是说，我推荐你看过的第一个，LA-PDFText。您可以在发现模式 （blockify） 下运行它，您可以从中创建规则。我不再安装Java，所以我无法测试它，但它似乎很有希望。
您的第二个，A-PDF表单数据提取器，仅适用于实际的PDF表单。如果是这种情况，我建议只使用像iText/iTextSharp这样的开源解决方案。
最后一个 OCR 让我畏缩。我只是无法想象通过这些箍会比解析 PDF 获得更好的文本表示。但话又说回来，PDF是一种视觉格式，所以也许它会。
就我个人而言，我使用iText/iTextSharp来做这种事情，但我也喜欢以艰难的方式做事。
目前尚不清楚您是在寻找开发工具来自动从账单和发票中提取数据，还是只是为了非开发人员可以使用的一次性工具（实用程序）？
无论如何，这里有一些专门的工具，包括他们使用的引擎：
- Tabula（开源，专门设计用于从PDF表格中提取数据。可以导出 shell 脚本进行批处理，作为本地主机 Web 服务运行，由 JRuby Tabula 引擎提供支持）
- Viet OCR（开源.NET桌面实用程序，用于从PDF和图像中提取文本，基于tesseract oct引擎）
- Bytescout PDF Viewer（免费软件闭源.NET实用程序，检测并提取表格，包括扫描的发票，由PDF提取器SDK提供支持）
免责声明：我为ByteScout工作。