我有（相同）数据保存为GIF图像文件和PDF文件，我想将其解析为HTML或XML。这些数据实际上是我大学食堂的菜单。这意味着有一个新版本的文件必须每周解析！通常，这些文件包含一些页眉和页脚文本，以及其间包含其他数据的表。我已经阅读了有关stackoverflow的一些帖子，我也开始尝试将表数据解析为HTML / XML：
GIF
通过使用PDFBox解析PDF文件，我得到了最好的结果，但仍然（因为菜单每周更改），它不够可靠。我收到的HTML有时包含更多，有时更少的“段落”（<p>），因此我无法准确地解析数据。
这就是为什么我想知道是否有其他方法可以做到这一点？
Tabula是JRuby Web界面上的一个很好的开端，用于从任意PDF中提取CSV / TSV表。
我已经实现了自己的算法（名称为traprange）来解析pdf文件中的表格数据。
以下是一些示例pdf文件和结果：
访问我在traprange的项目页面
或者我在traprange的文章
如果您希望每周一次从表中提取数据并且您在Windows上，请查看此免费软件pdf实用程序，其中包括自动表检测和表格到CSV，XML转换：PDF Viewer utility。
对于非开发人员，该实用程序对于商业和非商业用途都是免费的（对于希望通过API自动化的开发人员，还有单独的版本）。
免责声明：我为ByteScout工作
桌子每次都在同一个地方吗？如果你能找到每个盒子的尺寸，你可以使用工具将PDF分割成多个文件，每个文件都包含一个盒子，之后你可以使用你想要的任何工具将每个较小的PDF转换为HTML（例如其他答案中提到的工具）。随机谷歌搜索拉起PyPdf，看起来它可能有一些有用的功能。
如果你不能硬编码盒子的大小（或者想要将问题应用于不同格式的多个菜单），对我来说明显的方法（我说明显，不容易）将是边缘检测，以找到表的边界将是，然后应用我之前谈过的分裂。
我最近遇到了类似的问题。
我发现的另一种解决方案是在Adobe中打开PDF文档并将其导出到xml。至少在我的PDF中它保留了表信息，然后我能够以编程方式使用XML来生成表格文件，如excel等。
我遇到的另一个问题是，Adobe只允许您一次导出一个文件，而且我有很多文件。幸运的是Adobe也有一个合并功能。我最终将所有文件合并在一起，然后将它们导出为一个大的XML文件，并使用该文件生成我需要的内容。
您可以使用Camelot从PDF中提取表格并将其导出为HTML文件。还支持CSV，Excel和JSON。您可以在以下网址查看文档：http://camelot-py.readthedocs.io。与其他开源表提取工具和库相比，它提供了更准确的结果。这是一个comparison。
您可以使用以下代码段继续执行任务：
>>> import camelot
>>> tables = camelot.read_pdf('file.pdf')
>>> type(tables[0].df)
<class 'pandas.core.frame.DataFrame'>
>>> tables[0].to_html('file.html')
免责声明：我是图书馆的作者。
对于主要模板，Tabula是开源的最佳选择，而Abbyy PDF编辑器是企业级pdf数据提取和修改的绝佳解决方案。 Abbyy在OCR上工作。
Tabula有两个自动表检测选项，另一个是通过提供坐标手动。