我有不同类型的pdf，其中包含多个内容，如文本，表格等。表格可能存在于pdf（顶部，中间，底部）的任何位置。 我想在没有传递位置的情况下使用java从该pdf中仅提取表数据（列的编号，行的数量和表中的数据）。
到目前为止我做了什么： -
1.我使用iText java API来读取和提取。使用以下代码： -
PdfTextExtractor.getTextFromPage
但它只返回文本形式的数据。没有任何线索可以确定pdf中存在哪些表以及如何从该表中提取数据。
2.我也使用过PDFBox java API，但它也没有解决我的问题。
3.我也跟着这个堆栈溢出链接： -
PDF table extraction
但它并没有给我预期的产量。该算法需要除行位置和所有。
我无法确定在pdf中找到该表的位置。
有人能告诉我如何使用iText＆amp; amp; PDF box API还是有任何开源API可以帮助我解决这个问题吗？
或者我们可以将pdf转换为html，以便通过表格标签我们可以识别表并阅读;）？
答案 0 :(得分：1)
它基本上取决于您的输入文档，以及您愿意为此项目投入多少精力。
pdf不像html文档那样工作。在html文档中，您有逻辑标签，如“table”或“paragraph”。 pdf文档（在最基本的情况下）仅包含呈现文档所需的指令。 因此，不是获得“桌子”，你可能会“在这里划一条线，而另一条线路稍远一点，然后另一条线路穿过两条线路，等等”
此外，根据pdf规范，这些说明甚至不必以逻辑（阅读）顺序出现。
如果您幸运，您的输入pdf可能是标记的PDF。标记的pdf包含文档中底层结构的内部表示。标记的pdf可能能够准确地告诉您文档中的哪些对象构成了表格。
现在，回到实际答案。 如果您想要一个始终有效的解决方案，您可以实现iText7 IEventListener类。这个类有一个方法eventOccurred（），每当解析器处理完一个对象（比如一段文本，一行等）时就会调用它。
如果你随后寻找线条，并构建一些启发式算法来确定线条集合何时构成一个表格，你应该能够检测到表格。
IText还计划发布一个pdf2Data插件，它基本上可以为你做繁重的工作。
答案 1 :(得分：0)