Discussion :

[Colonel-Essaid]

Bonjour tout le monde,
je suis nouveau sur ce forum et ça me fair plaisir de vous rejoindre.

Bon,
dans le cadre de mon stage, on m'a demandé de creer une application en java qui consiste à extraire des données à partir des CV sous format PDF vers une base de données MYSQL . sachant que ce pdf (CV) et sous forme d'un tableau.
est-ce possible ?
si oui , comment puis-je procéder ?

merci d'avance

[ced]

Bonjour,

L'extraction de données d'un PDF ne peut pas se faire directement sous MySQL.
Il va falloir que tu passes par un langage de programmation capable d'extraire ces infos d'un PDF (dans un premier temps), puis les insérer (dans un second temps) dans une base MySQL.
Du coup, il faut poser la question sur les forums adaptés au langage que tu cibles.

ced

[Colonel-Essaid]

Merci Cédric pour votre réponse ;

le langage avec lequel je dois faire cette extraction est le java ,
la question est comment ? existent-ils des APIs capables de faire ça ?
iText et PDFbox peuvent-ils faire ça ?

cordialement.

[tchize_]

si ce pdf est un pdf "standard" et généré par une de vos application, il vaut mieux attaquer la source d'information directement. Si ce PDF est généré par vos candidats à partir d'un template commun, pour faire court, vous allez souffrir.


Le format PDF n'est pas une format structuré, c'est un format qui reflète un impression. Basiquement, des éléments de texte disposés à des coordonnées x,y. Il est en général possible d'extraire facilement le contenu d'un PDF, mais il est très difficile de relier les différents morceaux de contenu de manière logique entre eux. Les headers, footers etc sont mélangés au texte de la page. Les tableaux peuvent être retourné sous forme de colonne , ligne ou autres variante plus ou moins joyeuse suivant la manière dont le pdf a été généré. Si le tableau a des cellules à plusieurs lignes, difficile de savoir à tous les coups si les ce sont des lignes liées entre elles ou des cellules l'une au dessus de l'autre.


Bref, opération compliquée et risquée.

Et les tableaux sur plusieurs page, c'est encore pire

[Colonel-Essaid]

merci David pour votre réponse

"Les tableaux peuvent être retourné sous forme de colonne , ligne ou autres variante plus ou moins joyeuse suivant la manière dont le pdf a été généré"

mes PDFs sont justement sous forme de table,

la question :

comment mettre en œuvre cela ? ( techniquement parlant)