从PDF中提取数据表

你一定有过类似经历：试图从PDF中提取数据表，发现command C 加 command V 只带来一堆胡乱排列、不知所云的的数据和心中飞驰而过的千万只草泥马。

来自调查报道媒体公司Kaas & Mulvad的资深调查记者Nils Mulvad在大会上推荐下列工具，用于从PDF中提取数据表。他提醒到：PDF很难搞，不要指望一个工具就能搞定所有表格，多知道几个总没坏处。

cometdocs

在线转换，提供免费和收费服务。大多数时候很好用，但你最好注册，上传你的PDF文件，转换后下载。免费账户每周限制使用5次，收费账户无限制，30天/10美元，花130美元就可终身使用。

Able2extract

7天免费试用。MacOS, Window和Linux适用，30天使用版35美元，完整版100美元。

PDF2XL

7天免费试用。Window适用。

Xpdf

Xpdf是一个开源项目，可将PDF文件转换text文件，但之后需要再将text文件转换为电子表格。Xpdf必须在命令行处理。

Tabula 

Tabula由一群记者和开发人员共同创建，是一个开源免费程序，可将PDF中的表格转换成CSV文件。目前尚不支持多页文件。适用于任何平台，不过目前还不太稳定。

上述工具用于提取数据表。另一个方法是使用OCR工具。OCR能够“读取”PDF，甚至还能读取jpg, tiff和png格式的图片。它可提取打字机或电脑打印出来的内容，并将它们转换成机器编码文本或计算机可读文本。基本运行无碍，但质量不一。

维基百科创建了一个专门页面，对比各光学字符识别软件的优劣。

如果你不需要转换大文件，这个免费的OCR工具用得还算顺手.

ABBYY FineReader很不错，不妨试试30天试用版——最多可转换100页。购买完整版要129美元。

其他工具

Adobe Acrobat XI

XI Reader 

你可以在这个免费阅读器上打开并阅读PDF文件。你不能进行修改，但可以从PDF文件里复制文本（除非它们是被扫描的）并粘贴在电子表格里。在键盘上按下Alt-key，可在数据区通过鼠标选中单列，并同时复制多列。

Adobe Acrobat XI Standard (or Pro)

完整版提供多种功能，有一个特别适合数据记者：当你在图上选中一张表格并右击，可直接以电子表格形式打开并存储。通常情况下出来的成果都很接近你想要的。它还可以合并或拆分PDF文件。

如果你只需要拆分文件或提取其中一页，可以使用免费工具ilovepdf或PDF mergy

解锁PDF的工具

对付一些加了密的PDF文件。可以下载试用版（只能解锁两页），购买完整版也不贵——9美元。