Matlab如何讀取PDF文件

早期關注過我的朋友，不知道你們還記不記得，曾經我寫過一篇關於Matlab讀取PDF文件的帖子「別讓低質量的忙碌製造一個努力的幻想」。現在回過頭來看這篇帖子覺得，思路還好，不過其中藉助了vbs語言。

今天我主要是想來聊聊，如果僅僅只靠Matlab，是否能夠實現PDF文件的讀取，先來看一下整體效果。

下面這幅圖所展示的是一個PDF文件，整體的需求是，將PDF文件中的數據，錄入到Excel表格中。如之前所說，這個PDF的格式有些奇怪，一共有44頁，每次全選，每次全選都只能選中當前頁面的數據，整個文件大概有1600行數據，手工錄入的話，需要複製粘貼將近4000次。

如果僅僅只是複製粘貼到Excel表格的話，在這裡，我介紹一個最快速的辦法，打開Word，通過Word打開PDF文件，然後直接複製整個表格到Excel中，最後對格式稍作修改，整個需求就滿足了。

不過，如果需要對文本內容進行加工，那麼可以通過腳本的形式，讀取PDF中的文本，進行正則處理，動圖效果如下

最終獲取到的字元串如下所示，至於字元串正則處理，在這裡就不再過多說明，如果有興趣，以後可以專門開一貼來講解。

接下來從代碼邏輯層面上聊一聊，Matlab讀取PDF文本數據是如何實現的。

整體思路上，是非常簡單的，正如我剛才介紹過的，最主要是通過Word的形式打開PDF文件，然後讀取Word文件中的文本數據。所以，針對這個思路，可以將問題解析為兩個小問題：

1) 如何通過Word的形式打開PDF文件

2) 如何讀取Word文件中的文本數據

對於第一個問題，很容易解決。在上一篇帖子中，我也舉例介紹了，如何通過Matlab在生成Word文檔。對於打開PDF文件，可以通過這個函數來實現，其中fullpathname是一個包含目標PDF文件的路徑以及文件名。

document = invoke(documents,Open,fullpathname);

接下來重點來看，如何讀取Word文件中的文本數據。我曾經在Matlab論壇中讀到一篇帖子，是關於這方面的，我把他的代碼複製到下方，有興趣的朋友可以點擊這個鏈接，查看原來的帖子

http://www.ilovematlab.cn/thread-71062-1-1.html

不過他所採取的方法，我並不推薦，稍後我會解釋原因

隨機拿一個Word文檔做測試，整個文檔一共903字，通過tic和toc函數來測試上述代碼運行的時間，測試結果如下，一共為64.47秒

那麼，我換另一種形式來讀取同樣的文檔，運行時間測試結果如下，一共為0.54秒

運行速度提高了將近120倍。

其中唯一的原因是，在他的代碼中，我打紅框的部分，是一個循環。所以，在編程過程中，千萬要慎重使用循環。

對於整個代碼，我所做的更改是，取消循環，再只用增加一行函數就好

a = get(Document.Content,text)

今天寫這篇帖子的目的，除了介紹Matlab如何讀取PDF文件之外，我更想說的是：

編程的思路有千萬種，幾個月前我覺得巨完美的解法，也有可能被分分鐘顛覆。

多考慮一下是否有更好的辦法，多考慮一下這裡是否有用循環的必要，多考慮一下曾經寫的代碼是否還能優化。

多思考，因為努力是從來不會騙人的。

以上

如果你有興趣，歡迎關注我的微信公眾號「打浦橋程序員」，謝謝