Java中的PDF到Excel [关闭]

Question

我正在将数据从 PDF 转换为 excel。 PDF 包含表格。我使用 Itext- pdf 读取数据并在 apache poi 的帮助下将其转换为 excel。但所有内容都转换为文本，甚至表格行和列。我喜欢像在 PDF 中一样将表格写为行和列，所以请帮助我阅读 PDF 中的表格以写入 Excel。

这是我的代码：

PdfReader reader;
try {
    reader = new PdfReader("D:/JDEV_WORK/MANOJ/ItemPriceReport.pdf");
    PdfReaderContentParser parser = new PdfReaderContentParser(reader);
    TextExtractionStrategy strategy;
    String line = null;
    for (int i = 1; i <= reader.getNumberOfPages(); i++) {
        strategy = parser.processContent(i,new SimpleTextExtractionStrategy());
        line = strategy.getResultantText();
        System.out.println("line --- "+line);
    }

//conversion starts here....

HSSFRow myRow = null;
HSSFCell myCell = null;
CreationHelper helper = myWorkBook.getCreationHelper();
List<String> lines = IOUtils.readLines(new StringReader(line));

for (int i = 0; i < lines.size(); i++) {
    String str[] = lines.get(i).split(",");
    myRow = mySheet.createRow((short) i);
    for (int j = 0; j < str.length; j++) {
    myRow.createCell(j).setCellValue(helper.createRichTextString(str[j]));
   }
}



        FileOutputStream fileOut;
        try {
            fileOut = new FileOutputStream("D:/JDEV_WORK/MANOJ/ItemPriceExcel.xls");
            myWorkBook.write(fileOut);
            fileOut.close();
        } catch (FileNotFoundException e) {
            System.out.println("FILE NOT FOUND");
        }
    reader.close();
    } catch (IOException e) {
}

Answer 1

如果您对 PDF 有一点了解，那将非常有意义。 PDF 不是所见即所得的格式。它更像是一个指令容器，而不是人类可读内容的容器。

PDF 文件在内部看起来是这样的

转到坐标 50、50
使用字体 Helvetica Bold
将字体大小设置为 12
绘制字符“H”的字形
转到坐标 56、50
绘制字符'e'的字形

话虽如此，将这些非结构化数据恢复到合理的表是非常困难的。

Answer 2

对于 Ubuntu (Linux)，开源命令行程序 pdftotext 可用 [http://poppler.freedesktop.org]。您可以将文本 PDF 文件转换为其文本字符。正在将输出写入文件。

语法如下： pdftotext [options] [PDF-file] [text-file]

您可以在 Java 中轻松调用 pdftotext， 请参阅以下代码片段：

String pdfFilenameWithPath = "C:\myPdfFileToParse.pdf"
String cmd = "pdftotext " + pdfFilenameWithPath;
try {
   Runtime.getRuntime().exec(cmd);
} catch (IOException e) {
    LOG.error("pdftotext: cannot run");
    LOG.error("[{}]", e);
}

生成的文本文件随后可以被BufferedReader 读取， 并在 Java 中进一步处理。

您需要对 PDF 文件中的文本格式做出简单的假设。一个合理的猜想是该表由一个标签行组成，随后是随后的数据行。您需要将所有这些行读入一个单独的文件，其中每个字段都用“;”分隔（标准 CSV 格式）。在这个中间文件中，您可以检查您对 PDF 文件中的表结构所做的假设是否正确。

读取文本文件的结果可以解析为 csv 文件。我为此使用 Apache 的 CSV 库 (org.apache.commons.csv)：

public List<List<String>> readCSVFile(String filename, boolean bypassHeader) {

    List<List<String>> csvFile = new ArrayList<>();


    try {

        Reader in = new FileReader(filename);
        Iterable<CSVRecord> records = null;
        if (bypassHeader) {
            records = CSVFormat.EXCEL.withFirstRecordAsHeader().parse(in);
        } else {
            records = CSVFormat.EXCEL.parse(in);
        }

        for (CSVRecord record : records) {
            List<String> csvLine = new ArrayList<>();
            for (String field : record) {
                csvLine.add(field);
            }
            csvFile.add(csvLine);
        }
    } catch (Exception e) {
        LOG.error("readCSVFile: exception [{}]", e);
    }
    return csvFile;
}

最后，您可以将 CSV 解析的数据写入所需的 Excel 格式，就像您在提供的 Java 代码中所做的那样