Cześć,

Mam kilkaset plików pdf (zawierajacych różne tabele), przerabiam je na xml za pomocą pdftohtml:
Kod
pdftohtml filename -xml -enc "UTF-8"

Wynikiem jest plik XML o strukturze:
Kod
page (number=int, width=int, height=int)
    text (left=int,top=int,width=int,height=int)
        content

który po wizualizacji wygląda np. w ten sposób: http://imgur.com/a/3vDEg

Teraz potrzebuję algorytmu który będzie potrafił tego xml zamienić na tabele html, musi więc:
- wykryć kolumny
- wykryć wiersze
- połączyć treść wierszy (te małe kwadraciki to polskie znaki które są odłączone od reszty)

Macie jakieś fajne pomysły?
Może ktoś z Was spotkał się kiedyś z takim problemem?
Albo w ogóle ide w złym kierunku i takie narzędzie już istnieje? (szukałem, ale nic godnego uwagi nie ma)

Skrypt do wizualizacji plików wynikowych (xml) z pdftohtml, gdyby ktoś chciał sie pobawić:
[PHP] pobierz, plaintext 
  1. <!doctype html>
  2. <html lang="en">
  3.     <head>
  4.         <meta charset="UTF-8"/>
  5.         <title>xmltotable</title>
  6.     </head>
  7.     <body>
  8.         <input type="file" name="file" />
  9.         <script type="text/javascript">
  10.             window.onload = function() {
  11.                 document.getElementsByTagName('input')[0].addEventListener('change', function(evt) {
  12.                     var reader = new FileReader();
  13.                     reader.onloadend = function(event) {
  14.                         var parser = new DOMParser(),
  15.                             xml = parser.parseFromString(event.target.result.toString(), 'text/xml'),
  16.                             pages = xml.getElementsByTagName('page');
  17.                         for(var p in pages) {
  18.                             if(pages.hasOwnProperty(p)) {
  19.                                 var page = pages[p],
  20.                                     texts = page.getElementsByTagName('text'),
  21.                                     canvas = document.createElement('canvas'),
  22.                                     ctx = canvas.getContext('2d');
  23.                                 canvas.width = page.getAttribute('width');
  24.                                 canvas.height = page.getAttribute('height');
  25.                                 canvas.style.marginTop = '10px';
  26.                                 ctx.strokeRect(0, 0, canvas.width, canvas.height);
  27.                                 for(var t in texts) {
  28.                                     if(texts.hasOwnProperty(t)) {
  29.                                         var text = texts[t];
  30.                                         ctx.strokeRect(
  31.                                             parseInt(text.getAttribute('left')),
  32.                                             parseInt(text.getAttribute('top')),
  33.                                             parseInt(text.getAttribute('width')),
  34.                                             parseInt(text.getAttribute('height'))
  35.                                         );
  36.                                     }
  37.                                 }
  38.                                 document.body.appendChild(canvas);
  39.                             }
  40.                         }
  41.                     };
  42.                     reader.readAsText(evt.target.files[0], 'UTF-8');
  43.                 }, false);
  44.             };
  45.         </script>
  46.     </body>
  47. </html>
[PHP] pobierz, plaintext