Question

我想从PDF文件中提取表格数据，我正在使用Itext但我不明白如何搜索dablur数据，（分裂）任何人都可以提供与搜索表格内容相关的想法。这些数据是无序格式，如何将数据转换为可理解的格式。提前谢谢。

Answer 1

获取页面内容并扫描MoveTo（x，y）（tm）和文本（tj）命令。另外，字体更改（tf）（如标记粗体字）可能会拆分文本。

        final String NUM = "\\d*\\.?\\d+";
        Pattern tj = Pattern.compile(".*\\((.*)\\) Tj");
        Pattern tm = Pattern.compile("\\d+ \\d+ \\d+ \\d+ ("
            + NUM + ") (" + NUM + ") Tm");
        Pattern tf = Pattern.compile("/(F\\d+) (" + NUM + ") Tf");

        byte[] pageContent = pdfReader.getPageContent(pageno);
        String pc = new String(pageContent, "Cp1252");
        try (BufferedReader pin = new BufferedReader(new StringReader(pc))) {
            for (;;) {
                String cline = pin.readLine();
                if (cline == null) {
                    break;
                }
                Matcher m = tm.matcher(cline);
                if (m.matches()) {

请注意，可能不会出现一小部分（.123），因此简单的Double.parseDouble(m.group(1))是不够的。

如何运作

在“页面匹配”的上方，您可以获得创建页面的PostScript命令行：选择一种字体，移动到（x，y），打印一些字符。

暂且不说：这些命令采用所谓的后缀表示法：100.0 200.0 Tm（移动到x：100，y：200）。第一个参数，然后是命令。对于堆栈机器处理全部。因此名称为“PostScript。”

如果你得到两个相同y的移动命令，那么你就在同一条线上。选择另一种字体，例如单词变为粗体，或者您在表格中。

你可以想象，分析PDF是一项有趣的编程工作。我已经羡慕你了。

Java 7：

    try (BufferedReader pin = new BufferedReader(new StringReader(pc))) {
        ...
    }

Java 6：

    BufferedReader pin = new BufferedReader(new StringReader(pc));
    try {
        ...
    } finally {
       pin.close();
    }

PDF到XML表格数据提取

1 个答案: