Extrayendo datos de PDFs (sin programar)

Parte de la sesión del Grupo de Periodismo de Datos del Medialab Prado, Madrid. Enero 2012
http://medialab-prado.es/article/sesion_formativa_periodismo_datos

Transcript

1. Extrayendo datos de PDFs (sin programar) David Cabo (@dcabo)
4. PDF Generado electrónicamente (buscable) Imagen escaneada Tablas Formato complejo
5. PDF Generado electrónicamente (buscable) Imagen escaneada Formato complejo Tablas
6. Tablas 1. Copiar y pegar a Excel no funciona bien 2. Programas de pago: deskUNPDF, Nitro, Acrobat Pro... 3. Servicios web gratuitos: • cometdocs.com • pdftoexcelonline.com • zamzar.com
8. Tablas PDF Generado electrónicamente (buscable) Imagen escaneada Formato complejo
11. Formatos complejos • Columnas, datos partidos en varias lineas, datos intercalados entre el texto... • Las herramientas automáticas no suelen ser capaces de extraer la información • Es necesario: • extraer el texto del PDF (xpdf / poppler) • y crear un programa específico (Ruby, Python, Perl... + expresiones regulares)
13. Tablas PDF Generado electrónicamente (buscable) Formato complejo Imagen escaneada
14. Imágenes • El texto original no está disponible: no podemos buscar en él, ni copiarlo • Software para reconocer carácteres (OCR) • La fiabilidad depende de la calidad de la entrada (limpieza, resolución, tipo de letra) • Bastante trabajo: • Hay que revisar el resultado • Difícil de automatizar para muchos ficheros
15. OCR Open Source • Tesseract + OCROpus • Usado por Google • No es fácil de instalar y utilizar Comerciales • AbbyyReader • Adobe Acrobat Pro • Solid • ...
23. ¿Preguntas? David Cabo (@dcabo)