从 PDF 文档中提取文本并生成结构化数据答案

【问题标题】：Extract text from PDF documents and generate structured data从 PDF 文档中提取文本并生成结构化数据
【发布时间】：2020-09-17 08:36:17
【问题描述】：

我能够成功地从 pdf 的所有页面中提取文本。但无法在结构化数据中生成。如果有人遇到这样的专业知识，请指导我。

代码：

package pdfboxreadfromfile;

import java.awt.geom.Rectangle2D;
import java.io.File;
import java.io.IOException;
import java.util.List;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDDocumentCatalog;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.interactive.form.PDAcroForm;
import org.apache.pdfbox.pdmodel.interactive.form.PDField;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.text.PDFTextStripperByArea;

public class PDFBoxReadFromFile {
  public static void main(String[] args) {
    try {
      File file = new File("C:/ma.pdf");
      PDDocument doc = PDDocument.load(file);
      PDFTextStripper pdfTextStripper = new PDFTextStripper();
      pdfTextStripper.setSortByPosition(true);
      pdfTextStripper.setStartPage(1);
      pdfTextStripper.setEndPage(6);
      String text = pdfTextStripper.getText(doc);
      System.out.println(text);
      doc.close();
    } catch (IOException e) {
      e.printStackTrace();
    }
  }

输出：

PDF 看起来像这样。第 1 页：

预期标题文本仅供参考，无需打印。

尝试了以下方法：

Pattern p = Pattern.compile("PO...........*?");
Pattern p1 = Pattern.compile("Vendor...........");
Pattern p2 = Pattern.compile("100.....*?");
Pattern p4 = Pattern.compile("Date...............................................*?");
Pattern p5 = Pattern.compile("62...........3*?");
Pattern p6 = Pattern.compile("62710149950...*?");
Pattern p7 = Pattern.compile("627101499504..*?");

Matcher m = p.matcher(text);
Matcher m1 = p1.matcher(text);
Matcher m2 = p2.matcher(text);
Matcher m4 = p4.matcher(text);
Matcher m5 = p5.matcher(text);
Matcher m6 = p6.matcher(text);
Matcher m7 = p7.matcher(text);
m.find();
m1.find();
m2.find();
m4.find();
m5.find();
m6.find();
m7.find();

System.out.println(m.group(0) + "|" + m1.group(0) + "|" + m2.group(0) + "|" + m2.group(0) + "|" + "MAC" + "|" + m4.group(0) + "|" + m5.group(0) + "|");
System.out.println(m.group(0) + "|" + m1.group(0) + "|" + m2.group(0) + "|" + m2.group(0) + "|" + "MAC" + "|" + m4.group(0) + "|" + m6.group(0) + "|");
System.out.println(m.group(0) + "|" + m1.group(0) + "|" + m2.group(0) + "|" + m2.group(0) + "|" + "MAC" + "|" + m4.group(0) + "|" + m7.group(0) + "|");

结构化输出。但问题是针对条形码别名产品代码的数量没有出现。

【问题讨论】：

能否给我们看一下PDF文件
@KaramMohamed 附上 pdf 第 1 页内容和查看
Itext 和 pdfbox 是通用 pdf 库，而不是专门的表格数据提取器。其他产品使用这些库作为专用表数据提取功能的基础。您可能想尝试此类产品。例如。 pdf2Data 和 tabula.
@Leace 我认为你必须继续解析你的 PDF 并忽略这些行，直到你得到你想要的，这是唯一的解决方案，因为你正在提取文本，它不会区分信息
使用java数组列表可以实现吗？

标签： java text pdfbox tabula pdf2data

【解决方案1】：

您应该在文本中搜索标题行（条形码、项目编号、...），然后通过将其拆分为列来解析每一行。列由空格分隔，因此您可以使用 String.split() 函数。

【讨论】：