本文介绍了一种结合IText和OpenCv的方法来从PDF中抽取标准表格，包括Apache PDFBox将PDF转为图片，OpenCv进行预处理、轮廓识别，最后用IText抽取单元格文本。通过腐蚀和膨胀操作提取表格线，再利用findContours获取轮廓信息，实现对PDF表格的精确识别。
上期我们使用了IText解析PDF，这期我们需要使用OpenCv来识别PDF中的表格，然后用IText抽取单元格中的文本。
本文适用的条件是“标准的表格”，也就是说，没有隐藏任何表格线的表格，当然，更不能是表格的图片，不然IText根本无法抽取文本。如果希望抽取有隐藏表格线的表格，可以试试PDFLux这款软件。
标准的表格：
不适用的表格：
首先，我们需要使用Apache PDFBox将PDF渲染为png图片，注意的是渲染dpi。IText中抽取出的文字的坐标使用的是72dpi。由于72dpi分辨率过低，可能会导致图片识别不准确，推荐使用144dpi进行渲染，
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
