使用java从pdf中识别和提取表格

Question

我有不同类型的 pdf，其中包含多种内容，如文本、表格等。表格可能存在 pdf 的任何位置（顶部、中间、底部）。 我只想使用java从该pdf中提取表数据（列数，表中的行数和数据）而不传递位置。

我迄今为止所做的：-

1.我已经使用iText java API来读取和提取。 使用以下代码：-

PdfTextExtractor.getTextFromPage

但它仅以文本形式返回数据。 没有任何线索来确定 pdf 中表格的存在位置以及如何从该表格中提取数据。

2. 我也用过 PDFBox java API 但它也没有解决我的问题。

3.我也遵循了这个堆栈溢出链接：- PDF表提取但它没有给我预期的输出。 该算法需要除线位置以外的所有。

我无法确定在 pdf 中找到表格的位置。

谁能告诉我如何使用 iText & PDF box API 解决这个问题，或者是否有任何开源 API 可以帮助我解决这个问题？

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格并阅读;)？

Answer 1

您可以尝试使用Tabula ，它是一种开源工具，可以从 pdf 文档中检测和提取表格。 您可以扩展 tabula-java 并提取表详细信息。 在这里可以找到更多信息。

如果您还想从文档中提取文本，那么您可以使用 PDFBox 或 Apache Tika 仅提取文本。

Answer 2

它基本上取决于您的输入文档，以及您愿意为这个项目付出多少努力。

pdf 不像 html 文档那样工作。 在 html 文档中，您有诸如“表格”或“段落”之类的逻辑标签。 pdf 文档（在最基本的情况下）仅包含呈现文档所需的说明。 因此，不是得到“桌子”，你可能会得到“在这里画一条线，再远一点的另一条线，然后另一条穿过这两条线，依此类推”

此外，根据 pdf 规范，这些说明甚至不必按逻辑（阅读）顺序出现。

如果幸运的话，您输入的 pdf 可能是带标签的 PDF。 标记的 pdf 包含文档中底层结构的内部表示。 带标签的 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。 此类有一个方法 eventOccurred() 每次解析器完成处理对象（如一段文本、一行等）时都会调用该方法

如果您随后寻找线条，并构建一些启发式方法来确定线条集合何时构成表格，那么您应该能够检测表格。

IText 还计划发布一个 pdf2Data 插件，它基本上将为您完成繁重的工作。