从PDF文档中提取数据

从PDF文档的内容中抓取数据并不像从HTML文档中那样灵活，但是使用方法仍然可以通过多种方法来实现。 网页抓取工具。 首先抓取您使用的PDF内容 PDF 功能而不是 Page 功能，但其他功能通常以相同的方式工作。

PDF文档的过滤器比HTML文档的过滤器简单得多，首先，您必须指定要提取的内容类型：链接，图像或文本。

//Extract images
PDF.getValue({"type":"image"});
//Extract links
PDF.getValue({"type":"link"});
//Extract text
PDF.getValue({"type":"text"});

对于链接和图像，您可以通过指定其位置来限制返回的图像或链接。

PDF.getValue({"type":"image","position":"2"});

获取文档中的第二张图像。 对于文本，图像和链接，您可以通过指定页码进一步限制返回的数据。

PDF.getValue({"type":"image","position":"2","page":"5"});

这将从第五页返回第二张图像。 文本带有行号的附加选项，但是文本不支持位置。

PDF.getValue({"type":"text","page":"5","line":"10"});

这将从第五页获取第十行文本。 除了这些过滤器选项差异之外，从PDF文档中抓取数据的工作方式与 从HTML文档中抓取数据，但是由于无法完全确定使用PDF过滤器提取的内容，因此可能需要指定一个 模式 从文本中提取正确的信息。