如何使用Java提取pdf表格？

Question

我正在尝试使用 Java 以结构化方式将表数据提取为表。 过去两年我一直在使用 pdfbox 和 tabula。 但问题是 pdfbox 将 pdf 中的所有数据作为排序或未排序的文本返回，并且 tabula 有时会检测到具有完美边框的表格，并且无法识别没有边框的表格。

请帮助我找到一个解决方案，使用 Java 以结构化格式从 pdf 中提取表格，而不是使用 pdfbox 和 tabula api。

Answer 1

如果你想使用Java从PDF中提取表格，那么我认为这种方法非常适合你。使用 Spire.PDF for Java 控件来完成此操作。Spire.PDF for Java 提供了 PdfTableExtractor.extractTable(int pageIndex) 方法来从所需的 PDF 页面中检测并提取表格。 您可以参考以下Java代码：

       //Loop through the pages in the PDF
       for (int pageIndex = 0; pageIndex < pdf.getPages().getCount(); pageIndex++) {
       
       //Extract tables from the current page into a PdfTable array
       PdfTable[] tableLists = extractor.extractTable(pageIndex);

这里是完整的文章教程：使用Java从PDF文档中提取表格数据。我希望这个答案对您非常有帮助。

Answer 2

我最近编写了一个库，可以成功从多个 PDF 页面中提取表格。

它仍然是一个实验版本，但它可能适用于您的 PDF 表格。

（如果没有，您可以通过以下方式与我联系：[电子邮件受保护]，我很乐意看看我们是否可以使图书馆与新的 Pdf 一起使用）

您可以在以下位置下载该库：

下载库

它是lgpl许可的，所以它是相当宽松的。

类的设计目的是支持扩展和派生，以防您有涉及扩展功能的特殊需要。