使用java从pdf中识别和提取表

Question

我有不同类型的pdf，其中包含多个内容，如文本，表格等。该表可以存在于pdf的任何位置（顶部，中间，底部）。我只想提取表数据（不。的列，没有。行数

到目前为止我所做的工作：-

1.我使用了iText java API来读取和提取。使用以下代码：-

pdftextextractor . gettextfrompage

但它只是以文本形式返回数据。没有得到任何线索来确定表格在pdf中的位置以及如何从该表格中提取数据。2。我也用过PDFBox java API，但是它也没有解决我的问题。3。我还跟踪了这个堆栈溢出链接:- PDF表格提取，但它没有给我预期的输出。这种算法需要除了线位置和所有。

我无法确定在 pdf 中的位置。

谁能告诉我如何使用iText解决此问题

或者我们可以将pdf转换为html，以便通过表标签我们可以识别表并阅读；）？

Answer 1

这基本上取决于你的输入文档，以及你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，您有逻辑标签，如“表”或“段落”。pdf文档（在最基本的情况下）仅包含呈现文档所需的说明。因此，您可能会得到“在这里画一条线，在更远的地方画另一条线，然后再画一条横跨两者的线，依此类推”，而不是“表”

此外，根据pdf规范，这些指令甚至不必以逻辑（阅读）顺序出现。

如果幸运的话，您的输入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，回到实际答案。如果你想要一个始终有效的解决方案，你可以实现iText7 IEventListener类。这个类有一个方法eventHappen（），每次解析器处理完一个对象（如一段文本、一行等）时都会调用它。

如果您随后寻找行，并构建一些启发式规则来确定行的集合何时构成一个表，那么您应该能够检测到表。

IText还计划发布一个pdf2Data插件，它基本上会为你完成繁重的工作。

Answer 2

您可以尝试使用Tabula，这是一个开源工具，用于从pdf文档中检测和提取表格。您可以扩展table java并提取表的详细信息。更多信息可以在这里找到。

如果您也希望从文档中提取文本，那么您可以使用PDFBox或Apache Tika仅提取文本。