如何使用Tika或任何其他库从PDF文件中提取数据并将其存储为CSV / excel格式

Question

我想提取PDF文件中存在的数据，并以CSV / Excel表格的形式呈现。我知道这可以使用java中的Tika库来完成。但我确实找到了解决方案如何将数据提取为简单文本，但我想知道如何将其存储在Excel工作表中。

如果某人早些时候做过这类工作，请帮助我。

Answer 1

第一部分（和硬部分）是解析原始数据并将其解释为表格。 Apache Tika将为您提供xhtml表示（或使用SAX事件调用您自己的处理程序），但它通常不会为您构建表。从pdf文件来看，我的意思是，因为pdf本身并不是表格格式。

所以，你必须采取Tika制作的段落，拆分它们并将结果细胞传递给某个csv/xls/xlsx写作者。 如果您在pdf中有一些常规表（每个表行一行，清洁单元逻辑分隔等），它可能会有效。但它当然会解析纯文本。

如果我不能工作，你必须采用pdf解析器（如Apache PDFBox）并尝试解释其输出。

第二部分（输出）很简单。如果csv/ssv/tsv适合您 - 请使用您首选的库来制作它（我可以推荐Apache commons-csv）。 但是考虑到MS Excel要求UTF-8和UTF-16 csv的BOM才能理解该文件不是单字节编码（如CP-1252等）。

如果您想要Excel xls或xlsx格式 - 只需使用Apache POI即可。