從PDF文件中提取每個句子到Excel中的單獨單元格？

Question

正如標題所示，我有一個文件，需要將每個句子提取到Excel中的單元格，每個單元格一個。

句子提取可以很簡單，只要找到下一個". "並提取到一個單元格。問題是除了MATLAB之外，我真的不知道任何編程語言（我是機械工程師）。

如果它可以忽略真棒的表格/圖片，如果沒有的話，只要它遇到表格/圖片時不會搞砸。我知道我沒有給你很多工作，但任何幫助表示讚賞。

Answer 1

你沒有告訴，你希望你的「句細胞」被layouted ...

1. 簡短的回答：這是不可能的。

2. 擴展答案：這是相當困難的，它也取決於您的特定PDF文件。有些PDF文件並不適合的文本提取。

3. 你可以嘗試下面的命令，它試圖抓住每一個句子到CSV型表（的領域只有一個列，行數相當於總句子數：

   pdftotext -layout -x 10 -y 20 -W 400 -H 490 the.pdf - \ 
       | tr "\\n" " "   \ 
       | perl -pe 's#\f# #g'  \ 
       | perl -pe 's#\. #.\n#g' \ 
       | perl -pe 's#\? #?\n#g' \ 
       | perl -pe 's#\! #!\n#g' \ 
       | sed 's#^#"#'   \ 
       | sed 's#$#",#'   \ 
       | tee myvalues.csv 
   

   本例將sample 2-page PDF這是我創建的快速測試我上面的命令截圖PDF的：

   

   以上在Linux和Mac OS X.命令作品（！對不起，沒時間拿出一個等效的Windows版本）

   要了解（和IF）爲您 PDF此命令的作品，往前走一步一步：

   • 執行第一線自身作爲第一次嘗試（擺脫最終\牌子，上面是一個續行標記僅限於）。該第一行將僅從PDF中提取文本並將其打印在標準輸出通道上。如果這不起作用，所有其他線路也不會。參數-x .. -y .. -W .. -H ..通過選擇左上矩形座標角（x和y）和頁面區寬度（W）以及高度（（））來去除頁腳和頁眉（如PDF示例中的頁碼） H）限制文本在該區域的提取。

   • 執行前兩行在第二次嘗試（存續行標誌在第一行，第二擺脫標記）。第二行取第一行的輸出，並用空格字符替換每個換行符。因此，您將在一行中包含頁面的所有內容。

   • 執行前三行在第三次嘗試（保持在第一和seconod線續行標誌，就上三擺脫標記）。第三行從前兩行輸出，並用空格字符替換每個換頁字符。這些換頁符可能會在發生分頁符時在原始輸出中出現，有時會在一個句子中出現。 （或者，您可以將-nopgbrk添加到原始的pdftotext命令中，以避免全部插入分頁符。）因此，您將在一行中包含所有頁面的所有內容。

   • 最後，執行所有行，如上所述。第四行用換行符替換所有出現的.（冒號後跟一個空格）。第五行和第六行打破由問號和驚歎號結束的句子。第七行和第八行將行包裹成引號，並用逗號結束每行。最後管線管結果到一個文件中，myvalues.csv

   這是輸出的外觀：

   "this is a paragraph.", 
   "this is a sentence.", 
   "this is a sentence.", 
   "this is a sentence.", 
   "this is a sentence.", 
   "this is a sentence.", 
   "this is a sentence.", 
   "this is a sentence.", 
   "this is a sentence.", 
   "this is a sentence.", 
   "this is a paragraph.", 
   "this is a sentence.", 
   "this is a sentence.", 
   "this is a sentence.", 
   [....] 
   "this is a sentence.", 
   

如果命令按預期工作適合你，它會返回一個CSV （逗號分隔值）文本文件。這種類型的文本文件可以很容易地導入到Excel中。