V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
LouchardBillyham
V2EX  ›  程序员

求助!这种需求应该如何实现?

  •  
  •   LouchardBillyham · 2023-06-01 10:33:33 +08:00 · 1474 次点击
    这是一个创建于 525 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?
    8 条回复    2023-10-13 17:19:24 +08:00
    iyiluo
        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
    hhjswf
        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
    LouchardBillyham
        3
    LouchardBillyham  
    OP
       2023-06-01 10:47:47 +08:00
    @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
    rzdCG
        4
    rzdCG  
       2023-06-01 10:59:15 +08:00
    spire.pdf
    ZhuGeQing
        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
    zbatman
        6
    zbatman  
       2023-06-01 14:25:02 +08:00
    [Chat with any PDF]( https://damngood.tools/tools/chat-pdf)

    手动狗头
    LouchardBillyham
        7
    LouchardBillyham  
    OP
       2023-06-01 19:06:04 +08:00
    @zbatman 这个确实牛,比 chatpdf.com 牛,能 98%实现我的需求
    hkiJava
        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
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   实用小工具   ·   2505 人在线   最高记录 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 25ms · UTC 15:44 · PVG 23:44 · LAX 07:44 · JFK 10:44
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.