从抓取的pdf创建列，并在空格上进行剪切
从抓取的PDF创建列，并在空格上进行剪切是一个数据处理的任务。下面是一个完善且全面的答案：
抓取的PDF创建列是指从PDF文件中提取数据，并将其组织成表格的列。这个过程通常涉及到文本识别（OCR）技术，将PDF中的文本内容转换为可编辑的文本格式。
在空格上进行剪切是指根据空格字符将文本内容分割成不同的部分。这个过程通常涉及到字符串处理和分割技术，可以使用编程语言中的字符串函数或正则表达式来实现。
这个任务在数据处理和数据分析中非常常见，特别是在需要将非结构化数据转换为结构化数据时。通过将PDF中的文本提取为表格形式，并根据空格进行分割，可以更方便地进行后续的数据处理和分析。
以下是一些相关的概念、分类、优势、应用场景以及腾讯云相关产品和产品介绍链接地址：
- 概念：抓取的PDF创建列是将从PDF中提取的文本数据组织成表格的列，以便进行后续的数据处理和分析。
- 分类：这个任务可以归类为数据处理、文本处理和数据转换的范畴。
- 优势：
- 自动化：通过编程实现自动化的PDF文本提取和数据处理，提高效率。
- 结构化数据：将非结构化的PDF文本转换为结构化的表格数据，方便后续的数据分析和可视化。
- 数据准确性：通过OCR技术提取PDF文本，减少人工输入错误的可能性。
- 应用场景：
- 金融行业：从财务报表、合同文件等PDF中提取数据进行分析和风险评估。
- 法律行业：从法律文件中提取案件信息、法规条款等进行法律研究和案件分析。
- 学术研究：从学术论文中提取数据和引用信息，进行文献综述和科研分析。
- 腾讯云相关产品和产品介绍链接地址：
- 腾讯云OCR文字识别：https://cloud.tencent.com/product/ocr
- 腾讯云数据处理服务：https://cloud.tencent.com/product/dps
- 腾讯云数据分析平台：https://cloud.tencent.com/product/dap
相关·内容
我正在使用BIRT生成包含数据图表和数据表的PDF报告。我有创建BIRT的TestNG单元测试，然后我想将创建的PDF与基线报告进行比较。我不能使用MD5散列，因为每个报告在页脚中都有时间戳，而时间戳总是变化的。我尝试使用PDPage和PDResources从PDF中获取所有图像，但图形似乎不是图像b/c从PDResources对象调用getImages返回0图像。使用PDFBox我可以抓取PDF中的哪些其他元素，并与基线PDF进行比较以验证等价性？PDF的格式如下，第1页将包含一个标题、一个开始日期/时间标签、一个结束日期/时间标签、一个报告备注，然后是一个或多个图表，然后是一个表格。
浏览 2提问于2013-01-21得票数 0
回答已采纳
在我们的应用程序中，Heritrix被用作抓取引擎，抓取工作完成后，我们将手动启动一个端点，以便从网站下载PDF。我们想自动化这个下载pdf任务，一旦抓取任务完成。HEritrix是否提供了返回作业状态的URI/webservice方法？(或者)我们是否需要创建一个轮询应用程序来持续监控作业的状态？
浏览 13提问于2016-02-09得票数 0
3回答
我是Objective-C编程的新手。然而，如果你看一下我的输出，我的问题是非常简单的。基本上，我希望所有内容都正确对齐，这样行中的所有数据看起来就像它们在自己的列中一样。基本上，每一行都应该与它上面的行对齐。我的程序从web上的JSON文件中引入每个字段-请参阅代码以了解我是如何做到这一点的。
-(void)connectionDidFinishLoading:(NSURLConnection *)connection
{
NSDictionary *allDataDictionary = [NSJSONSerialization JSONObjectWithData:w
浏览 0提问于2012-11-19得票数 1
我在特定的目录中有大量的CSV文件。它们都至少有41列具有匹配的标头，但可以宽到200列。我只需要抓取前40列，并附加它们来创建一个带有头的CSV。我是相对较新的，并试图效仿这个例子，如何使用bash将所有csv文件的前200行保存在目录中？和那个将多个.csv文件的内容合并为单个.csv文件。我试图把它限制在一条线上是可能的，并且我认为我需要一个“剪切”和“猫”命令的组合。我试图运行这样的程序，但没有成功：
$ for file in *.csv do cut -d ',' -f1-40 "$file" > "$file"; done
然
浏览 0提问于2021-10-04得票数 0
回答已采纳
3回答
我的问题是：
如何从PDF文件中提取文本，而PDF文件在列中被分隔，从而得到由该列分隔的结果？
背景:我从事一个关于文本分析(特别是科学文本)的项目。这些文本有时以多列形式发布，每一列都有一个单独的页码。若要按布局的分页符对提取的文本进行排序，按列提取文本将是有用的。
我使用pdfBox并尝试/搜索了以下几项内容：
我尝试了PDPage类->结果的->方法:0大小的列表
我试着使用getCharactersByArticle()方法->文本(不以列分隔)来抓取文本。
(我尝试了用pdf文件发布文本，以及用自己创建的基于.doc的文件，每个文件都有一个多列布局)
浏览 5提问于2014-10-07得票数 3
回答已采纳
我的问题是，我的批处理脚本中的for-循环正在从"allepdfsnamen.txt“读取pdf-文件路径，但没有正确地将这些文件路径(包括空格字符)转发到子例程：
%%X是参数(pdf-文件路径)，它可以包括空格。"C:\Users\gruberw\Documents_OT_Tickets\20170320_I\Testpdfs\Scan电荷31\0000000_134388_266737109_001.PDF“
%1 :body (子例程)只接收文件路径，直到第一个空格字符出现。
我尝试将提供给for-循环的路径放在双引号下的"all
浏览 4提问于2017-03-20得票数 0
回答已采纳
3回答
我有一个包含大量mda5散列的文本文件。我只需要获得我的文件的哈希作为输出。我试过cat mda5hashes.txt | grep manual12.pdf，但我有这样的观点：
manual12 917NJvfNj6uY237fjzmso38djr7s
如何才能获得作为提示符的散列，以及位于其中的行数？
浏览 5提问于2014-10-07得票数 0
回答已采纳
我希望能够从带有Regex的字符串列表中获得目标文件名，但是使用与文件不完全匹配的查询。档案：
我有几千份文件。我不介意查询速度
会有任何情况
可以有空格、下划线、破折号或点来分解单词。
如果文件使用"-“将文档名称从其源中拆分，只需忽略源(在”-“之前的任何内容)。
如果确切的术语包含在包含其他文本的文件中，请忽略该文件(如下面示例中的FileList )。
由于我将在我的java应用程序中执行其中的许多操作，我希望创建一个能够处理不同大小的输入和文件名字符串的Java函数。
示例：
Query = "microfluidic systems
浏览 3提问于2015-03-29得票数 0
回答已采纳
2回答
我正在使用PDFBox从PDF中提取文本。PDF具有表格结构，该结构非常简单，列之间的间距也非常大
这真的很好用，除了所有类型的水平空格被转换成一个空格字符，所以我不能再区分列(一列中的单词中的空格看起来就像列间的空格)。
我理解一般的解决方案非常困难，但在这种情况下，列之间的距离非常远，因此在“长空格”和“单词之间的空格”之间有一个简单的区分就足够了。
有没有办法告诉PDFBox把x英寸以上的水平空格变成单个空格以外的空格？比例方法(x英寸变成y空格)也是可行的。
有一个“- layout”开关，它试图保留布局。基本上，如果我可以用PDFBox来模拟这一点，那就太好了。
浏览 6提问于2011-01-11得票数 2
3回答
我尝试使用cut命令从"ls -l“命令输出中获取文件名及其大小的列表。
$ ls -l | cut -f 5,9 -d " "
它给出了基于‘单个空格’作为分隔符的输出。当"ls -l“输出在某些行中包含连续空格时，则该命令的输出不适用于这些行。只有一个空格作为列分隔符的行可以给出正确的输出。
当我运行以下命令时：
$ ls -l | awk '{ print $5"\t"$9 }'
awk忽略多个空格，并从"ls -l“输出中正确提取列。而cut将每个空格作为分隔符，将值放在错误的列中。
它为所有行提供正确的输出。
为
浏览 3提问于2013-01-15得票数 1
回答已采纳
2回答
我正在使用Edit Plus，在一个文本文件中有以下类型的行，它们代表一个目录结构和一个文件。
\APPS\MCCSDOCS\GENERAL\10-11 ARRAT\BRIDGE RIVER_\BRIDGE RIVER-PA0900021_DEC 21.PDF
\APPS\MCCSDOCS\GENERAL\10-11 ARRAT\BURNS LAKE\BURNSLAKE_PA1100062-SE_MAR2010.XLS
\APPS\MCCSDOCS\GENERAL\10-11 ARRAT\CAMPBELL RIVER\CAMPBELLRIVER_PA0900004_ARRAT_OCT2010.
浏览 5提问于2013-09-24得票数 0
1回答
我在抓取这个web pdf表时遇到了问题： https://www.usbr.gov/mp/cvo/vungvari/milfln.pdf 转换成一个data.frame。这是我到目前为止所知道的： library(pdftools)
df <- "https://www.usbr.gov/mp/cvo/vungvari/milfln.pdf"
df <- pdf_text(df) 从这里看，似乎所有的数据都被抓取了，但是列结构丢失了。重建列(或者在没有pdftools的情况下以完全不同的方式进行抓取)有哪些推荐的方法？一旦建立了列，我想我就能够格式化/整理数据
浏览 24提问于2019-06-13得票数 0
回答已采纳
5回答
我在win form C#应用程序中工作。应用程序从视频设备(如电视/相机或输入视频文件)中抓取图像。然后对其进行处理并将其保存在文本文档中。
我的问题是，“如何创建数字视频OCR ?”
请向我推荐任何教程/链接/源代码。
浏览 17提问于2013-10-07得票数 5
1回答
当我将PDF纸张大小设置为A4时，有没有办法使PDF显示区域只有A5大小，同时将PDF纸张大小保持为A4？不会显示大于A5的部分文本或图像。我已经尝试了选项‘裁剪框’，但它是使A4大小到A5大小。请帮帮我!！
浏览 39提问于2020-09-10得票数 0
回答已采纳
1回答
这有点奇怪-
我从pdf中抓取了一些数据，用表格创建了一个表。
这张表并不完美，它将一些列合并在一起。作为一个例子，其中3列都被放入1列中。用分隔符把它分开没问题，我可以这样做-
columns_split = 'A B C'
df_split = df[columns_split].str.split(' ', expand=True)
问题--其中一个被合并的列的值可能高达4位数。由于某些原因，pdf表中的值(4位长)中有一个空格，所以值不是'1000‘，而是’1000‘。因此，当它读取pdf时，就会得到表格的认可。进来的合并列看上去有点像这样；在这
浏览 6提问于2022-04-28得票数 0
回答已采纳
3回答
我也必须从给定的URL抓取PDF文档...推荐任何工具/API来抓取PDF文档...现在我正在使用nutch抓取，但我不能抓取PDF从给定的URL...should我使用任何插件抓取PDF在nutch？
seed.txt --> regex-urlfilter.txt->+^
提前感谢
浏览 1提问于2013-08-05得票数 3
3回答
我正在向cut发出命令，似乎什么都没有发生。
命令的输出如下所示：
Name File Info OS
11 FileName1 OS1
12 FileName2 OS2
13 FileName3 OS3
我试图使用以下方法从所有行(从第2行开始)提取列1,2：
my_command | cut -f1,2和输出与原始输出完全相同。
浏览 6提问于2013-08-26得票数 3
回答已采纳
巴什/壳牌专家能在这方面帮我吗？每次我使用PDF将大型pdf文件(比如它的名字是X.pdf)分割成单独的页面，其中每个页面都是一个pdf文件，它会创建具有这种模式的文件。
"X 1.pdf"
"X 2.pdf"
"X 3.pdf" etc...
上面的文件名"X“是原始的文件名，可以是任何内容。然后在名称之后添加一个空格，然后添加页码。页码总是从1开始到多少页。在adobe中没有任何选项来改变这种情况。
我需要运行一个shell命令，只需删除/删除所有"X“部分，并保留数字，如下所示
1.pdf
2.pdf
3.pdf
...
浏览 5提问于2015-12-26得票数 3
回答已采纳
1回答
我有两个图表在两个不同的桌面上的景观导向的报告。它们是并排放置的。我的问题是，当我将报告导出到excel(并进行打印预览)时，它在一页中只显示一个图表，而下一页显示第二个图表。页眉也会中断，并在下一页上半页。它可以正确地在word、pdf和html中呈现。只有在excel中它才会给我这样的问题。
有谁可以帮我？
提前谢谢。
浏览 0提问于2012-02-17得票数 0
回答已采纳
4回答
我需要从以制表符分隔的文件中选择第7列。例如：
cat filename | awk '{print $7}'
问题是第4列中的数据有多个值，其间有空值。示例-以下输出中的最后一行：
user \Adminis FL_vol Design 0 - 1 -
group 0 FL_vol Design 19324481 - 3014 -
user \MAK FL_vol Design 16875161 - 2618 -
tre
浏览 1提问于2012-12-10得票数 22
1回答
我有一个文件，文件的格式为：
User\ Name My\ Password
注意，这实际上是一个2列文件，其中列包含转义空格。
cut -d' ' -f2生产Name，但我想生产My Password。
是否可以使用cut并仅基于非转义空格分隔？如果没有，我可以使用什么替代命令？
浏览 0提问于2017-11-21得票数 2
回答已采纳
1回答
我想我可能是在要求不可能的事情。我正在尝试从“注释”列中提取以下内容，并删除所有剩余的单词。我希望抓取的格式是类似于'0-0-0‘或'0 -0- 0’的内容。但是我写的表达式只占了第5& 6行，我会永远感激的。 import pandas as pd
import re as re
data = {'Notes': ['1,088 errors - 0 comments - 1109 pages', '76-0-143-SIS',
'0 - 18 - 624 *fl
浏览 17提问于2020-07-27得票数 0
我们在一个特定的web服务器上遇到了一个非常奇怪的问题(我们不能直接访问web服务器，只能访问FTP )。
我们的ASP.NET应用程序将数据集显示到标准的GridView中。GridView中的一列是基本模板列，其中一个链接重定向到另一个页面-传递几个参数。
其中一个参数是EmployeeName，下面的页面使用该参数来设置标签。
在这个特定的web服务器上(本例中为WEBSERVER1)...生成的链接生成错误404 (找不到页面)
https://WWW.WEBSERVER1.COM/Customer_011B.aspx?WeekEnding=1/21/2012&GUID=n.a
浏览 1提问于2012-02-09得票数 3
我不太确定regex是如何工作的，但我正在尝试做一个项目(还没有设置它，但首先使用一个test pdf在代码的pdf索引方面)来分析标记方案pdf，并在此基础上对有用的数据做任何事情。
问题是，当我在regex中输入搜索参数时，它不会从pdf中返回任何内容。我正在尝试迭代或遍历每一行的开头1-2位数(问题列)，然后使用re.compile(r'\d{1} [A-D]')在以下代码中使用A(答案列)：
import re
import requests
import pdfplumber
import pandas as pd
def download_file(url):
浏览 1提问于2022-05-21得票数 0
回答已采纳
当我试图从附加的PDF中提取表格时，我会得到一个UserWarning: No tables found on page-1。但是，当我查看提取的数据时，一些列文本被合并到一个列中。“
我使用来解析这些PDF
复制步骤：camelot --output m27.csv --format csv stream m27.pdf
下面是我正试图解析的PDF链接：
浏览 0提问于2018-11-09得票数 0
回答已采纳
我希望从目录中获得一个具有特定扩展名的文件名。结果，我想去掉扩展名。
enter code here
@echo off
for %%f in (*.pdf) do (
if "%%~xf"==".pdf" echo %%f
)
假设目录中的pdf文件是(one.pdf、two.pdf和three.pdf)
在上面的命令中，结果是
one.pdftwo.pdfthree.pdf
我喜欢的结果是：
onetwothree
谢谢你，瑞尔
浏览 3提问于2021-03-10得票数 0
我有一个pdf，大约50页扫描表。我需要最终把它刮到R中，这样我就可以清理数据并将其导出为.csv。我有使用tabulizer抓取可读的pdfs的经验，但我以前从未真正使用过扫描pdfs，tabulizer无法读取它们。
环顾在线，我所能得到的最远就是将扫描的pdf作为一个字符对象读取到R中，但这会使格式发生很大的变化，因此表中的列都错对齐了，并出现了无序。即使它的格式仍然很好，我也不知道如何将字符对象转换成最终的df。
有没有一种方法可以将扫描的pdf转换成可读的pdf，这样我就可以在tabulizer中抓取它了？还是另一种将扫描的pdfs抓取到表中的方法？
浏览 5提问于2022-11-16得票数 0
1回答
我有一个有很多行的pyspark数据框。每行都是一个文本。只有一列。我想删除或移除少于3个字母的行。例如，在下面的4行中，我想删除第二列和第四列。(pdf和a)： this is a text
pdf
a
No ways
浏览 14提问于2021-01-20得票数 0
所以我使用已经有一段时间了，它工作得很好，直到昨天我把zipfile的大小限制到了极限。在任何给定的一天，我需要压缩PDF，并将它们传输到SFTP站点，它只接受zip文件。PDF的数量从几百、几千到超过10K不等。昨天当DotNetZip进程中断时，我有大约24K的PDF。有一种方法可以使用DotNetZip库拆分zipfiles，但由于某些原因，服务器上使用的系统无法处理拆分的zipfiles。
最好的方式是抓取，比如说5K (或任何其他设置的文件量)，压缩，删除这些文件，然后抓取另一个5K，压缩，删除，重复这个过程，直到所有文件都被压缩？
这是我的压缩过程的当前代码...
浏览 2提问于2013-02-05得票数 1
我正在努力从一组pdf文件中提取单词。这些文件是我从网上下载的学术论文。
这些数据存储在我的本地设备中，按照名称排序，在项目文件夹中遵循这个相对路径：'./papers/ data‘。您可以找到我的数据。
我的代码正在项目回购('./ code ')的代码文件夹中执行。
代码的pdf单词提取部分如下所示：
import PyPDF2 as pdf
from os import listdir
#Open the files:
#I) List of files:
files_in_dir = listdir('../papers/data')
#II
浏览 17提问于2022-03-16得票数 0
回答已采纳
1回答
我有一个两个矩阵报表项目，具有不同的DataSet，相同的列数和行数的结果。矩阵表1在左侧，另一个在另一侧，在设计视图中，这两个表之间没有空格。
问题是在将矩阵报表项之间导出到Excel后，它会在excel中创建额外的列。我怎样才能避免这种情况？
浏览 0提问于2013-12-04得票数 4
回答已采纳
注意:我对使用解析库不感兴趣。这是我自己的娱乐。
我一直在尝试从PDF文件中抓取文本用于搜索gizmo，但无法从一些pdf文件中提取文本。
请注意，这比直接解析容易得多；我不在乎是否无意中在输出中包含了一些垃圾，也不在乎文档的格式是否完好无损。我甚至不关心单词是否按顺序出现。
作为第一步，我使用在这个上找到的策略创建了一个非常简单的pdf解析器。基本上，它所做的就是在pdf文件中搜索zlib流，对其进行压缩，并提取出在括号中找到的任何文本。这无法解析卡在<< >>块中的数据，但我的理解是，这是用于十六进制编码的二进制数据块，它似乎不在测试文件中，我无法parse...o
浏览 1提问于2010-10-29得票数 4
回答已采纳
我想在我的PDF (或iPhone)上阅读一个合理字体大小的任意iPod。有些PDF已经设置了窄栏宽边距的格式。一旦我缩放文档以“删除”页边距，文本就很容易阅读。
大多数文档都有一个非常宽的文本列。当我放大到足够大以使文本可读时，列比屏幕大，我必须在要阅读的每一行上左右滚动。行不通的。
我想运行一个程序将我的宽列PDF转换为窄列PDF。我研究了许多PDF库(比如Mac上的PDFKit )，但它们似乎都专注于显示或创建PDF。
你能告诉我阅读PDF文档的资源吗？我宁愿写我自己的实用程序而不是购买产品，但如果这是唯一的方法，我会接受产品。
浏览 0提问于2008-10-27得票数 1
回答已采纳
我正在使用XMLSpy和SoapUI，并向联邦快递发出web服务(ws)调用以生成标签。从Fedex返回的响应是嵌入在web服务响应中的PNG或PDF文件。如何保存PNG/PDF元素？
浏览 4提问于2010-06-29得票数 2
回答已采纳
2回答
我的镜像名称如下：-- demo 123.jpg
我可以将名为demo 123的图像保存在数据库列中吗？在文件夹中也是demo 123.jpg
当我用demo 123.jpg抓取时，它找不到图像名称，因为..
peoblem是图像名称中的空间...
我不想用_这样的字符替换图像名称中的空格
没有它我也能做吗？
浏览 3提问于2010-12-08得票数 0
我已经使用camtrapR包对成千上万的尾随相机照片进行了重命名。输出的.csv文件有一列，其中包含重命名的照片的文件路径和camtrapR给出的新名称。在使用camtrapR之后，我的一个团队成员在.csv文件中为照片中的物种类型添加了一个新列。然后，他们浏览了所有的照片，并根据他们在图片中看到的内容在该列中添加了一个值(例如: squirrel)。 我想使用MLWIC包来训练一个带有我的团队成员已经描述过的照片的模型。我的目标是将所有特征化的图片保存在特定于每个拍摄物种的文件夹中。我首先浏览了.csv文件，找到了被描述为松鼠的文件，然后遍历并将每个文件移动到我的新squirrel文件夹中
浏览 17提问于2019-01-14得票数 0
2回答
我创建了非常简单的测试，其中包含有2列的表。一列包含没有空格的长行，第二列包含小行。在doc中，我看到第一行的行是包装的。
我将此文档转换为PDF格式
结果是从第一列到第二列的同一行。
浏览 5提问于2014-12-01得票数 1
回答已采纳
我尝试将一个字符串解析为以下格式的datetime：
日、日、年/分(示例：)
美国东部时间2011年12月1日星期四下午08:30
我已经使用格式为“dddd，dd MMM yyyy :mmtt”的DateTime.ParseExact完成了这项工作。然而，时区给了我一个问题。没有用于读取以这种方式编写的时区的代码。不管怎样，我不关心时区，所以我想要么把它去掉，要么读出来--只要这句话能用就行了。
删除它的一种方法是从字符串中删除它(使用.Replace) --但是我不知道源码会产生多少不同的时区，而且无论如何，我认为一长串替换看起来很丑陋，而且容易出错。
那么，有没有一种方法可以删除它，或
浏览 0提问于2012-05-22得票数 3
回答已采纳
1回答
我的应用程序需要从小部件创建A4格式的图像或pdf，实际上是一个具有动态高度的列(根据用户在SingleChildScrollView ->列上添加的内容，用户可以向该列添加图像和文本)。
如何从具有动态高度的列的小部件中创建A4格式的图像或Flutter格式的PDF？(我可以有一个列，其中包含适合屏幕的小部件列表和其他不适合屏幕的小部件列表，比如20个大的小部件将从屏幕上消失。)
浏览 3提问于2021-05-25得票数 6
3回答
屏幕抓取要下载的PDF链接
、、、、
我正在通过创建一个小程序来学习C#，但找不到类似的帖子(如果这个答案发表在其他地方，很抱歉)。
我如何在网站上抓取PDF的链接(然后我可以下载到指定的位置)？有时一个页面会有一个链接到另一个HTML页面，其中有实际的PDF链接，所以如果在第一页上找不到实际的PDF，我希望它自动查找在链接文本中有" PDF“的链接，然后搜索真正的PDF链接的HTML页面。
我知道我也许可以通过谷歌的文件类型搜索来实现类似的结果，但对我来说这似乎是“作弊”:)我宁愿学习如何在代码中做到这一点，但我不确定从哪里开始。我对XElement之类的XML解析比较熟悉，但是我不确定如何从HTML页面(或其他格式？)
浏览 4提问于2011-03-12得票数 1
回答已采纳
我想能够通过PHP将PDF文件转换为HTML文件，但遇到了一些麻烦。
我找到了一种使用的基本方法，它可以让你将PDF转换成HTML文件。然而，这也存在一些问题，例如SVG、图像、定位、字体等的使用。
我所需要的是能够从PHP文件中抓取文本和与之相关的任何图像，然后以线性格式显示它，而不是使用绝对定位格式化它。
我的意思是，如果PDF看起来像这样：
我想把它转换成一个单独的列设计HTML文件。如果有图片，我也希望它们能被返回。
这在PHP中是可能的吗？我知道我可以简单地从PDF文件中抓取文本，但是抓取图像呢？
另一个问题是，我希望所有内容都是内联的，因为它是在单个文件中提供给客户端的。
浏览 0提问于2013-02-09得票数 13
回答已采纳
1回答
<div style="width: 100%; height: 100%">embed PDF: <br /><embed id="frPDF" height="100%" width="100%" src="C:\Users\a\Desktop\Sample.pdf#page=3&zoom=200,250,100"></embed></div>
当我在chrome中打开上面的html代码时，可以正确地从第三页启动pdf，但是我只想显示第三页，而
浏览 1提问于2018-03-20得票数 0
我正在尝试用python包pdfplumber从PDF文档中提取一个表。该表有四列和多行。第一行是标题，第二行只有一个合并的单元格，然后值被正常保存(例如) pdfplumber能够检索表格，但如果有四列，它会生成6列，并根据列保存值。 Table as shown in PDF document ? 我尝试使用不同的表格设置，包括“垂直策略”：“线”，但这产生了相同的结果。 # Python 2.7.16
import pandas as pd
import pdfplumber
path = 'file_path'
pdf = pdfplumber.open(
浏览 47提问于2019-10-09得票数 0
2回答
我正在编写一个应用程序，用Java和JSOAP从网站上抓取一些文章。应用程序将文章的某些部分编译成.tex ()文档，然后使用PDFLatex将其转换为PDF。
有些页面包含像& or这样的HTML实体，它们在PDF转换过程中会导致错误。如何解决这个问题？
浏览 3提问于2012-09-13得票数 0
5回答
我有一个表格(列对齐方式不同)，它将被保存为pdf。我使用html2canvas将表格转换为图像，然后使用jspdf将图像保存为pdf。如果图像的大小小于或等于pdf的页面大小，则它工作得很好，但是如果图像大小大于页面大小，则它只保存pdf的第一页(其仅具有图像的一部分)，并且图像的其余部分不显示/保存为pdf。这里是我使用的javascript代码。
$("#btnVC_saveGLSummary").click(function () {
html2canvas($("#tblSaveAsPdf1"), {
on
浏览 2提问于2014-06-06得票数 12
使用java/htmlunit，我想要挖掘(网络抓取)一堆对冲基金SEC 13F文件。我不知道如何从证券交易委员会的等.txt文件中提取数据。表布局看起来很整洁和结构化，但是如何获取具有相应< S >和< C >的< Table >呢？此外，如何才能仅获取公司名称和Amt值(在第3列)和< C >股票金额(在第4列)。
不确定我是否在正确的轨道上，但是我使用了Bufferedreader，不确定下一步做什么来获取< Table >中的数据……这是我到目前为止所知道的：
import java.io.BufferedReader;
im
浏览 1提问于2012-06-07得票数 0
我有一个电子表格，在那里我手动复制和粘贴一些数据从pdf表格。我一直在使用数组查询拆分将该信息拆分为不同的列，并且它在2列(日期和数量)中工作得完美无缺，而对于另一列，它大部分时间起作用(引用)。
工作的示例：
PDF数据: 4500063794 21.07.2020 187.50
电子表格中的列(拆分后的最终结果)：引用:4500063794，日期:21.07.2020，金额:187.50
检索参考列的公式：=ArrayFormula(QUERY(SPLIT(C3:C7 ;" ");"select Col1";0))
这沿电子表格工作，没有任何
浏览 3提问于2020-10-02得票数 1
回答已采纳
我正在解决一个问题，我在分析PDF中的图像。有时图像被调整大小、旋转、镜像等等。我可以以AffineTransform的形式访问PDF上下文矩阵：
例如：
调整大小的图像：
AffineTransform[[432.2279052734375, 0.0, 90.0], [0.0, 150.67495727539062, 555.257080078125]]
旋转/镜像：
AffineTransform[[593.25, 0.0, 0.0], [0.0, -768.0, 768.1500244140625]]
给定一个AffineTransform实例，我假设可以确定：
scaleX
s
浏览 0提问于2020-03-19得票数 0
回答已采纳
经过广泛的谷歌搜索，我开始怀疑自己是否在某种程度上忽略了数字签名的意义。
从根本上说，我认为我应该能够在原则上做到这一点，我希望iTextSharp允许我这样做：
我用C#和.NET编写，并使用iTextSharp解析PDF文件。我有一个未经签名的PDF文件，也有一个签名版本的同一文件。
我知道数字签名基本上是散列PDF数据，用私钥对其进行加密，然后验证过程的一部分是使用公钥解密该数据，并确保结果在再次散列时与PDF数据匹配。
除此之外，我希望得到这个解密的文档哈希，并将其与从我的未签名PDF生成的文档哈希进行比较。这是因为我不仅要验证签名的PDF是真实的，而且它也是相同的，我有记录的未经签署
浏览 4提问于2012-08-22得票数 12
当我在windows10命令行上运行一个需要路径作为其参数之一的命令时，如果路径不在引号内，它就会起作用，但如果路径中有空格，我需要将它放在引号中，以便将其作为单个路径处理，但随后它会报告该路径中的文件不存在。 例如： C:/PROJECTS/desktopfiles/public/libs/cpdf/win64/cpdf.exe C:/Users/john/Documents/cat.pdf C:/Users/john/Documents/my_dog.pdf -o C:/Users/john/Documents/cat_dog_Merged.pdf 上面的方法可以工作， 下面没有(因为m
浏览 30提问于2020-04-27得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
