我想从这里提取所有行,而忽略列标题以及所有页面标题,即Supported Devices
。
pdftotext -layout DAC06E7D1302B790429AF6E84696FCFAB20B.pdf - \
| sed '$d' \
| sed -r 's/ +/,/g; s/ //g' \
> output.csv
生成的文件应为CSV电子表格格式(逗号分隔的值字段)。
换句话说,我想改进上述命令,以使输出完全不会制动。有任何想法吗?
我也会为您提供另一种解决方案。
虽然在这种情况下,该pdftotext
方法会尽力而为,但是在某些情况下,并非每个页面的列宽都相同(如您的良性PDF所示)。
在这里,不太知名但很酷的Free and OpenSource SoftwareTabula-Extractor
是最佳选择。
我本人正在使用直接GitHub签出:
$ cd $HOME ; mkdir svn-stuff ; cd svn-stuff
$ git clone https://github.com/tabulapdf/tabula-extractor.git git.tabula-extractor
我为自己编写了一个非常简单的包装器脚本,如下所示:
$ cat ~/bin/tabulaextr
#!/bin/bash
cd ${HOME}/svn-stuff/git.tabula-extractor/bin
./tabula $@
既然~/bin/
在我里面$PATH
,我就跑步
$ tabulaextr --pages all \
$(pwd)/DAC06E7D1302B790429AF6E84696FCFAB20B.pdf \
| tee my.csv
从所有页面提取所有表格并将其转换为单个CSV文件。
CVS的前十行(总共8727条)如下所示:
$ head DAC06E7D1302B790429AF6E84696FCFAB20B.csv
Retail Branding,Marketing Name,Device,Model
"","",AD681H,Smartfren Andromax AD681H
"","",FJL21,FJL21
"","",Luno,Luno
"","",T31,Panasonic T31
"","",hws7721g,MediaPad 7 Youth 2
3Q,OC1020A,OC1020A,OC1020A
7Eleven,IN265,IN265,IN265
A.O.I. ELECTRONICS FACTORY,A.O.I.,TR10CS1_11,TR10CS1
AG Mobile,Status,Status,Status
在原始PDF中如下所示:
甚至在最后一页293的右边都有这些行:
nabi,"nabi Big Tab HD\xe2\x84\xa2 20""",DMTAB-NV20A,DMTAB-NV20A
nabi,"nabi Big Tab HD\xe2\x84\xa2 24""",DMTAB-NV24A,DMTAB-NV24A
在PDF页面上看起来像这样:
TabulaPDF和Tabula-Extractor对于这样的工作真的非常酷!
这是ASCiinema的截屏视频(您也可以在命令行工具的帮助下,在Linux / MacOSX / Unix终端中本地下载和重放asciinema
)tabula-extractor
:
本文收集自互联网,转载请注明来源。
如有侵权,请联系 [email protected] 删除。
我来说两句