java实现精准的提取到pdf文件里面的表格

Java实现提取PDF文件中的表格可以使用Apache PDFBox和Tabula两个开源库。

1. Apache PDFBox

Apache PDFBox是一个开源的Java库，它允许您创建新的PDF文档、修改已有的PDF文件以及从PDF文件中提取文本和图像等内容。下面是使用Apache PDFBox提取PDF文件中的表格的示例代码：

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.text.PDFTextStripperByArea;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.text.TextPosition;
import java.awt.Rectangle;
import java.io.IOException;
import java.util.ArrayList;
import java.util.List;

public class PDFTableExtractor {
    public static void main(String[] args) throws IOException {
        PDDocument document = PDDocument.load(new File("input.pdf"));
        PDFTextStripperByArea stripper = new PDFTextStripperByArea();
        stripper.setSortByPosition(true);
        PDFTextStripper pdfStripper = new PDFTextStripper() {
            @Override
            protected void writeString(String text, List<TextPosition> textPositions) throws IOException {
                // do nothing
            }
        };
        List<PDPage> pages = document.getDocumentCatalog().getAllPages();
        for (int i = 0; i < pages.size(); i++) {
            PDPage page = pages.get(i);
            pdfStripper.setStartPage(i + 1);
            pdfStripper.setEndPage(i + 1);
            String text = pdfStripper.getText(document);
            Rectangle rect = new Rectangle(0, 0, (int) page.getMediaBox().getWidth(), (int) page.getMediaBox().getHeight());
            stripper.addRegion(Integer.toString(i), rect);
            stripper.extractRegions(page);
            List<List<String>> table = new ArrayList<>();
            for (int j = 0; j < stripper.getRegions().size(); j++) {
                String region = stripper.getRegions().get(j);
                String[] lines = stripper.getTextForRegion(region).split("\n");
                List<String> row = new ArrayList<>();
                for (String line : lines) {
                    row.add(line.trim());
                }
                table.add(row);
            }
            System.out.println(table);
        }
        document.close();
    }
}

上面的示例代码使用PDFTextStripperByArea类从PDF文件中提取文本，然后使用PDFTextStripper类来过滤掉所有的文本，只提取表格。接下来，我们使用PDFTextStripperByArea类来提取表格，并将其转换为一个二维列表。

2. Tabula

Tabula是一个基于Java的开源工具，可以将PDF文件中的表格提取出来，并将其转换为CSV格式或者JSON格式。下面是使用Tabula提取PDF文件中的表格的示例代码：

import technology.tabula.*;
import java.io.IOException;
import java.util.List;

public class PDFTableExtractor {
    public static void main(String[] args) throws IOException {
        String filePath = "input.pdf";
        PDDocument document = PDDocument.load(new File(filePath));
        PDFTableExtractor extractor = new PDFTableExtractor();
        List<Table> tables = extractor.extract(document);
        for (Table table : tables) {
            System.out.println(table.getRows());
        }
        document.close();
    }

    private List<Table> extract(PDDocument document) throws IOException {
        TableExtractor extractor = new TableExtractor();
        List<Table> tables = extractor.extract(document);
        return tables;
    }
}

上面的示例代码使用TableExtractor类从PDF文件中提取表格，并将其转换为一个Table对象。Table对象包含了表格的行和列信息，我们可以使用Table对象来获取表格的内容。