我需要从pdf文件中提取数据,并将值存储到Table,使用Data lake Analytics。谁能帮我提供一些例子或过程,如何实现这个方案。
这里有一些资源,开始与U-SQL在Azure数据湖分析。
https:/docs.microsoft.comen-usu-sql
https:/www.purplefrogsystems.compaulcategoryu-sql
https:/www.mssqltips.comsqlservertip5890azure-data-lake-analytics-using-usql-queries
关于你所说的情况,你必须写一个自定义提取器来读取PDF。这里有一个C#的例子。
using System.Collections.Generic;
using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;
using Microsoft.Analytics.Interfaces;
namespace PDFExtractor
{
[SqlUserDefinedExtractor(AtomicFileProcessing = true)]
public class PDFExtractor : IExtractor
{
public override IEnumerable<IRow> Extract(IUnstructuredReader input, IUpdatableRow output)
{
var reader = new PdfReader(input.BaseStream);
for (var page = 1; page <= reader.NumberOfPages; page++)
{
output.Set(0, page);
output.Set(1, ExtractText(reader, page));
yield return output.AsReadOnly();
}
}
public string ExtractText(PdfReader pdfReader, int pageNum)
{
var text = PdfTextExtractor.GetTextFromPage(pdfReader, pageNum, new LocationTextExtractionStrategy());
// Encode new lines to prevent from line breaking in text editors,
// I want nice line after line files
return text.Replace("\r", "\\r").Replace("\n", "\\n");
}
}
}
你可以在Python中写一些类似的东西。
参考--------。https:/devblog.xyxsimple-pdf-text-extractor-adla。
希望对你有所帮助。