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,