使用java读取pdf文件中的表格或单元格值？

Question

我已经通过Java和PDF论坛从pdf文件中的表中提取文本值，但找不到除JPedal之外的任何解决方案（它不是开源和许可的）。

所以，我想知道任何开源API，如pdfbox，itext，以获得与JPedal相同的结果。

参考。例如：

Answer 1

在评论中，OP澄清说他从pdf文件中的表中找到文本值他要提取

  

提供X和Y坐标

因此，虽然这个问题最初听起来像是从PDF中通用提取表格数据（至少可能很困难），但它实际上主要是从坐标给出的页面上的矩形区域中提取文本。

这可以使用您提到的任何一个库（当然也包括其他库）。

iText的

要限制要从中提取文字的区域，您可以使用RegionTextRenderFilter中的FilteredTextRenderListener，例如：

/**
 * Parses a specific area of a PDF to a plain text file.
 * @param pdf the original PDF
 * @param txt the resulting text
 * @throws IOException
 */
public void parsePdf(String pdf, String txt) throws IOException {
    PdfReader reader = new PdfReader(pdf);
    PrintWriter out = new PrintWriter(new FileOutputStream(txt));
    Rectangle rect = new Rectangle(70, 80, 490, 580);
    RenderFilter filter = new RegionTextRenderFilter(rect);
    TextExtractionStrategy strategy;
    for (int i = 1; i <= reader.getNumberOfPages(); i++) {
        strategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), filter);
        out.println(PdfTextExtractor.getTextFromPage(reader, i, strategy));
    }
    out.flush();
    out.close();
    reader.close();
}

  

（来自iText in Action，第2版的ExtractPageContentArea样本）

请注意，iText会根据内容流中的基本文本块提取文本，而不是基于此类块中的每个字形。因此，如果只有最细小的部分在该区域内，则处理整个块。

这可能适合您，也可能不适合您。

如果遇到的问题是提取的内容比您想要的多，那么您应该事先将这些块拆分成它们的构成字形。 This stackoverflow answer解释了如何做到这一点。

PDFBox的

要限制要从中提取文字的区域，您可以使用PDFTextStripperByArea，例如：

PDDocument document = PDDocument.load( args[0] );
if( document.isEncrypted() )
{
    document.decrypt( "" );
}
PDFTextStripperByArea stripper = new PDFTextStripperByArea();
stripper.setSortByPosition( true );
Rectangle rect = new Rectangle( 10, 280, 275, 60 );
stripper.addRegion( "class1", rect );
List allPages = document.getDocumentCatalog().getAllPages();
PDPage firstPage = (PDPage)allPages.get( 0 );
stripper.extractRegions( firstPage );
System.out.println( "Text in the area:" + rect );
System.out.println( stripper.getTextForRegion( "class1" ) );

  

（来自PDFBox 1.8.8示例的ExtractTextByArea）

Answer 2

试试PDFTextStream。至少我能够识别列值。早些时候，我正在使用iText并陷入定义策略的困境。很难。

这个api通过放置更多空格来分隔列单元格。它是固定的。你可以把逻辑。 （这在iText中丢失了）。

import com.snowtide.PDF;
import com.snowtide.pdf.Document;
import com.snowtide.pdf.OutputTarget;

public class PDFText {
    public static void main(String[] args) throws java.io.IOException {
        String pdfFilePath = "xyz.pdf";

        Document pdf = PDF.open(pdfFilePath);
        StringBuilder text = new StringBuilder(1024);
        pdf.pipe(new OutputTarget(text));
        pdf.close();
        System.out.println(text);
   }
}

Question has been asked related to this on stackoverflow!