如何用C++/Python将aSc Timetables生成的大学课表PDF转为结构化文本

Python方案（开发效率更高，优先推荐） #

• pdfplumber：适配带规整表格的PDF内容提取，可精准识别单元格位置、文本内容，支持按坐标定位课表的行列区域，对aSc Timetables生成的固定布局课表适配性很高，无需复杂预处理即可拿到结构化的单元格数据
• camelot-py：专门针对PDF表格提取的库，支持直接导出为CSV、JSON等中间格式，对于固定行列布局的课表表格识别准确率高于通用PDF提取库，可先导出为中间格式再做字段解析，大幅降低开发成本
• 实现逻辑参考：逐页提取PDF中的表格，识别表头的时段、星期列，再逐行匹配班级名称、对应时间槽的课程、教师、教室、分班信息，最后映射到你需要的数据结构即可。

C++方案 #

提取库推荐 #

• Poppler：开源的PDF渲染/提取库，支持提取PDF中的文本、表格坐标信息，你可以基于它的poppler-cpp绑定实现本地PDF内容提取，是目前C++生态中最常用的PDF处理库之一
• libpoppler + Tabula CPP绑定：如果不想自己做表格单元格坐标匹配，可以用Tabula的C++封装版本，直接提取PDF中的表格为结构化二维数组，省去行列对齐的开发工作量

转换为文本文件的工具 #

• 可以直接用Poppler自带的pdftotext命令行工具，加参数-layout保留PDF原始排版，输出为带空格对齐的文本文件，再写C++代码解析该文本文件的内容即可，不需要额外开发PDF提取逻辑，适合快速验证方案
• 也可以用mutool（MuPDF库的命令行工具），执行mutool draw -F text 你的课表.pdf即可导出保留排版的文本内容，识别准确率比pdftotext更高。

实现注意要点 #

• aSc Timetables生成的课表每个课程块会跨多个时间槽，提取到课程块的坐标后计算覆盖的时间槽下标，对应填充到星期数组的对应位置即可
• 同个时间槽的多门分班课程，提取时注意区分单元格内换行分隔的不同课程条目，分别存储到链表的不同节点即可
• 你需要的Section类的C++定义可以参考如下：

#include <string>
#include <list>
using namespace std;

// 单节课程信息类
class Course {
public:
    string course_name; // 课程名
    string teacher; // 教师
    string sub_section; // 分班，为空则无分班
    string classroom; // 教室
};

// 班级课表类
class Section {
public:
    string section_name; // 班级名称
    list<Course> monday_schedule[16];
    list<Course> tuesday_schedule[16];
    list<Course> wednesday_schedule[16];
    list<Course> thursday_schedule[16];
    list<Course> friday_schedule[16];
    list<Course> saturday_schedule[16];
    list<Course> sunday_schedule[16];
};

内容的提问来源于stack exchange，提问作者Awais Shahid