Java实现
提取PDF文件中的
表格可以使用Apache
PDFBox和Tabula两个开源库。
1. Apache
PDFBox
Apache
PDFBox是一个开源的Java库，它允许您创建新的
PDF文档、修改已有的
PDF文件以及从
PDF文件中
提取文本和图像等内容。下面是使用Apache
PDFBox
提取PDF文件中的
表格的示例代码：
```java
import org.apache.
pdfbox.pdmodel.PDDocument;
import org.apache.
pdfbox.pdmodel.PDPage;
import org.apache.
pdfbox.text.
PDFTextStripperByArea;
import org.apache.
pdfbox.text.
PDFTextStripper;
import org.apache.
pdfbox.text.TextPosition;
import java.awt.Rectangle;
import java.io.IOException;
import java.util.ArrayList;
import java.util.List;
public class
PDFTableExtractor {
public static void main(String[] args) throws IOException {
PDDocument document = PDDocument.load(new File("input.
pdf"));
PDFTextStripperByArea stripper = new
PDFTextStripperByArea();
stripper.setSortByPosition(true);
PDFTextStripper
pdfStripper = new
PDFTextStripper() {
@Override
protected void writeString(String text, List<TextPosition> textPositions) throws IOException {
// do nothing
}
};
List<PDPage> pages = document.getDocumentCatalog().getAllPages();
for (int i = 0; i < pages.size(); i++) {
PDPage page = pages.get(i);
pdfStripper.setStartPage(i + 1);
pdfStripper.setEndPage(i + 1);
String text =
pdfStripper.getText(document);
Rectangle rect = new Rectangle(0, 0, (int) page.getMediaBox().getWidth(), (int) page.getMediaBox().getHeight());
stripper.addRegion(Integer.toString(i), rect);
stripper.
extractRegions(page);
List<List<String>>
table = new ArrayList<>();
for (int j = 0; j < stripper.getRegions().size(); j++) {
String region = stripper.getRegions().get(j);
String[] lines = stripper.getTextForRegion(region).split("\n");
List<String> row = new ArrayList<>();
for (String line : lines) {
row.add(line.trim());
}
table.add(row);
}
System.out.println(
table);
}
document.close();
}
}
```
上面的示例代码使用
PDFTextStripperByArea类从
PDF文件中
提取文本，然后使用
PDFTextStripper类来过滤掉所有的文本，只
提取表格。接下来，我们使用
PDFTextStripperByArea类来
提取表格，并将其转换为一个二维列表。
2. Tabula
Tabula是一个基于Java的开源工具，可以将
PDF文件中的
表格提取出来，并将其转换为CSV格式或者JSON格式。下面是使用Tabula
提取PDF文件中的
表格的示例代码：
```java
import technology.tabula.*;
import java.io.IOException;
import java.util.List;
public class
PDFTableExtractor {
public static void main(String[] args) throws IOException {
String filePath = "input.
pdf";
PDDocument document = PDDocument.load(new File(filePath));
PDFTableExtractor
extractor = new
PDFTableExtractor();
List<
Table>
tables =
extractor.
extract(document);
for (
Table table :
tables) {
System.out.println(
table.getRows());
}
document.close();
}
private List<
Table>
extract(PDDocument document) throws IOException {
TableExtractor
extractor = new
TableExtractor();
List<
Table>
tables =
extractor.
extract(document);
return
tables;
}
}
```
上面的示例代码使用
TableExtractor类从
PDF文件中
提取表格，并将其转换为一个
Table对象。
Table对象包含了
表格的行和列信息，我们可以使用
Table对象来获取
表格的内容。
扫一扫
710
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
