如何使用Tika或任何其他庫從PDF文件提取數據並將其存儲為CSV / excel格式

Question

我想提取PDF文件中存在的數據，並以CSV / Excel工作表的格式顯示。我知道可以使用Java中的Tika庫完成此操作。但是，我確實找到了有關如何提取的解決方案數據作為簡單的文本，但我想知道如何將其存儲在Excel工作表中。

如果有人較早完成了此類工作，請幫助我。

Answer 1

第一部分（也是最困難的部分）是解析原始數據並將其解釋為表。 Apache Tika將為您提供xhtml表示形式（或使用SAX事件調用您自己的處理程序），但通常不會為您構造表。 我指的是pdf文件，因為pdf本身不是表格格式。

因此，您必須采用Tika制作的段落，將其拆分並將生成的單元格傳遞給某些csv/xls/xlsx writter。 如果您的pdf中有一些常規表（每表一行一行，干凈的單元格邏輯分隔等），則可能會起作用。 當然，它看起來就像解析純文本。

萬一我不工作，您將必須使用pdf解析器（例如Apache PDFBox ）並嘗試解釋其輸出。

第二部分（輸出）很簡單。 如果csv/ssv/tsv適合您-使用您喜歡的庫來生成它（我可以推薦Apache commons-csv ）。 但是要考慮到MS Excel需要UTF-8和UTF-16 csv的BOM，以了解該文件不是采用一字節編碼（例如CP-1252等）。

如果要使用Excel xls或xlsx格式-只需使用Apache POI編寫它即可。