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，例如文本、表格等。表格可能存在于 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、行数和表中的数据）而不传递位置。

到目前为止我做了什么：-

1.我使用iText java API读取和提取。使用以下代码：-

PdfTextExtractor.getTextFromPage

但它只是以文本形式返回数据。没有任何线索来确定 pdf 中表的位置以及如何从该表中提取数据。

2. 我也使用过 PDFBox java API，但它也没有解决我的问题。

3.我也关注了这个堆栈溢出链接：- PDF table extraction 但这并没有给我预期的输出。该算法需要除了行位置之外的所有。

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 和 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转换成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，这是一个从 pdf 文档中检测和提取表格的开源工具。您可以扩展 tabula-java 并提取表详细信息。更多内容请关注here。

如果您还希望从文档中提取文本，则可以使用 PDFBox 或 Apache Tika 仅提取文本。

Answer 2

这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）仅包含渲染文档所需的说明。 因此，您可能会得到“在此处画一条线，在稍远一点的地方再画一条线，然后再画一条穿过两者的线，依此类推”，而不是得到“桌子”。

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。带标签的 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，回到实际的答案。 如果您想要一个始终有效的解决方案，您可以实现 iText7 IEventListener 类。这个类有一个 eventOccurred() 方法，每次解析器处理完一个对象（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，您应该能够检测表格。

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