PDF提取图片和表格

最新推荐文章于 2023-12-10 21:27:30 发布
最新推荐文章于 2023-12-10 21:27:30 发布
阅读量416 收藏
点赞数
文章标签： pdf java
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sinat_32501475/article/details/129260376
版权

前提

公司其它部门同事有一批PDF文件，希望能从这批PDF文件中提取出图片和表格。

PDF文件示例：
在这里插入图片描述

提取出的图片：
在这里插入图片描述

提取出的表格：
在这里插入图片描述

实现分析

图片的提取，可以使用spire.pdf（官网：https://www.e-iceblue.cn）；测试下来，效果OK。

表格的提取，没有现成的工具，依据PDF的特点，表格的字段和布局规范，可通过坐标(x,y)来识别并提取。提取时，需对捕捉到的错列、错行等异常进行人工处理。

主要Maven

    <repositories>
        <repository>
            <id>com.e-iceblue</id>
            <name>e-iceblue</name>
            <url>https://repo.e-iceblue.cn/repository/maven-public/</url>
        </repository>
    </repositories>

    <dependencies>
        <dependency>
            <groupId>com.itextpdf</groupId>
            <artifactId>itextpdf</artifactId>
            <version>5.5.1</version>
        </dependency>
        <dependency>
            <groupId>e-iceblue</groupId>
            <artifactId>spire.pdf.free</artifactId>
            <version>5.1.0</version>
        </dependency>
    </dependencies>

核心代码

public class PDF2DataTest {
    public static final Logger LOGGER = LoggerFactory.getLogger(PDF2DataTest.class);

    public void extractImages(String pdfName, String pdfFilePath, String imageFileFolder) throws Exception {
        String imageFilePath = imageFileFolder + File.separator + pdfName + ".png";
        File imageFile = new File(imageFilePath);
        if (imageFile.exists()) {
            return;
        }

        PdfDocument pdfDocument = new PdfDocument();
        pdfDocument.loadFromFile(pdfFilePath);
        for (PdfPageBase pdfPageBase : (Iterable<PdfPageBase>) pdfDocument.getPages()) {
            try {
                for (BufferedImage imageBuffer : pdfPageBase.extractImages()) {
                    ImageIO.write(imageBuffer, "PNG", imageFile);
                    return;
                }
            } catch (Exception ex) {
                // do nothing
                continue;
            }
        }
    }

    public static String EXCEL_TITLE_STR = "图号起始年终止年正选装负选装配件名称配件号左/右单量";

    public void extractText(List<String[]> dataStrsList, String pdfName, String pdfFilePath) throws Exception {
        PdfReader pdfReader = new PdfReader(pdfFilePath);
        pdfReader.setAppendable(false);
        for (int i = 1; i <= pdfReader.getNumberOfPages(); i++) {
            String excelText = PdfTextExtractor.getTextFromPage(pdfReader, i);
            if (!excelText.replace(" ", "").contains(EXCEL_TITLE_STR)) {
                continue;
            }

            PdfReaderContentParser parser = new PdfReaderContentParser(pdfReader);
            CustomRenderListener renderListener = new CustomRenderListener();
            parser.processContent(i, renderListener);
            List<Coordinate> coordinateList = renderListener.getCoordinateList();
            extractText(dataStrsList, pdfName, coordinateList);
        }
        pdfReader.close();
    }

    public static String[] EXCEL_TITLE = new String[]{"PDF", "IMAGE", "图号", "起始年", "终止年", "正选装", "负选装", "配件名称", "配件号", "左/右", "单量"};

    public void exportData(List<String[]> dataStrsList, String excelName, String excelFileFolder) throws Exception {
        SXSSFWorkbook workbook = new SXSSFWorkbook();
        workbook.setCompressTempFiles(true);
        Sheet sheet = workbook.createSheet("data");
        Row row = sheet.createRow(0);
        for (int i = 0; i < EXCEL_TITLE.length; i++) {
            Cell cell = row.createCell(i);
            cell.setCellValue(EXCEL_TITLE[i]);
        }

        for (int i = 0; i < dataStrsList.size(); i++) {
            String[] dataStrs = dataStrsList.get(i);
            Row nextrow = sheet.createRow(i + 1);
            for (int x = 0; x < EXCEL_TITLE.length; x++) {
                Cell cell = nextrow.createCell(x);
                cell.setCellValue(dataStrs[x]);
            }
        }

        File file = new File(excelFileFolder + File.separator + excelName + ".xlsx");
        if (file.exists()) {
            file.delete();
        }
        file.createNewFile();
        FileOutputStream stream = FileUtils.openOutputStream(file);
        workbook.write(stream);
        stream.flush();
        stream.close();
        workbook.dispose();
    }

    public List<String[]> extractText(List<String[]> dataStrsList, String pdfName, List<Coordinate> coordinateAllList) throws Exception {
        Map<Float, List<Coordinate>> coordinateMap = new TreeMap<>();
        for (Coordinate coordinate : coordinateAllList) {
            if (!coordinateMap.containsKey(coordinate.getY())) {
                coordinateMap.put(coordinate.getY(), new ArrayList<>());
            }
            coordinateMap.get(coordinate.getY()).add(coordinate);
        }

        List<Float> keyList = new ArrayList<>(coordinateMap.keySet());
        float[] fieldX = new float[9];
        boolean isNextData = false;
        float yAllInit = 0;
        int dataFloor = 0;
        List<Coordinate> coordinateTmpList = new ArrayList<>();
        for (int i = keyList.size() - 1; i >= 0; ) {
            List<Coordinate> coordinateOneList = coordinateMap.get(keyList.get(i));
            i = i - 1;

            if ((coordinateOneList.size() == 9 || coordinateOneList.size() == 10)
                    && "图号".equals(coordinateOneList.get(0).getText())
                    && "起始年".equals(coordinateOneList.get(1).getText())
                    && "终止年".equals(coordinateOneList.get(2).getText())) {
                fieldX[0] = coordinateOneList.get(0).getX();
                fieldX[1] = coordinateOneList.get(1).getX();
                fieldX[2] = coordinateOneList.get(2).getX();
                fieldX[3] = coordinateOneList.get(3).getX();
                fieldX[4] = coordinateOneList.get(4).getX();
                fieldX[5] = coordinateOneList.get(5).getX();
                fieldX[6] = coordinateOneList.get(6).getX();
                fieldX[7] = coordinateOneList.get(7).getX();

                if (coordinateOneList.size() == 9) {
                    fieldX[8] = coordinateOneList.get(8).getX();
                } else {
                    fieldX[8] = coordinateOneList.get(9).getX();
                }

                isNextData = true;
            } else if (isNextData) {
                if (coordinateOneList.get(0).getX() >= fieldX[0] - 10
                        && coordinateOneList.get(0).getX() <= fieldX[0] + 10) {
                    coordinateTmpList.addAll(coordinateOneList);
                    String[] dataFinalStrs = new String[]{pdfName + ".pdf", pdfName + ".png", "", "", "", "", "", "", "", "", ""};
                    if (dataFloor > 0) {
                        float yInit = coordinateOneList.get(0).getY();
                        for (int x = 0; x < dataFloor; x++) {
                            List<Coordinate> coordinateOneTmpList = coordinateMap.get(keyList.get(i));
                            if (yInit - coordinateOneTmpList.get(0).getY() < 11.0) {
                                yInit = coordinateOneTmpList.get(0).getY();
                                i = i - 1;

                                if (coordinateOneTmpList.get(0).getX() > 15 && coordinateOneTmpList.get(0).getX() < 35
                                        && coordinateOneTmpList.get(0).getText().startsWith("h")) {
                                    coordinateOneTmpList = new ArrayList<>();
                                }
                                coordinateTmpList.addAll(coordinateOneTmpList);
                            } else {
                                LOGGER.warn("！！！！！！！PDF出现错行！PDF名称：{}", pdfName);
                                break;
                            }
                        }
                    }
                    coordinate2Data(pdfName, dataFinalStrs, fieldX, coordinateTmpList);
                    dataStrsList.add(dataFinalStrs);

                    yAllInit = 0;
                    dataFloor = 0;
                    coordinateTmpList = new ArrayList<>();
                } else {
                    if (coordinateOneList.get(0).getX() > 15 && coordinateOneList.get(0).getX() < 35
                            && coordinateOneList.get(0).getText().startsWith("h")) {
                        break;
                    } else {
                        if (coordinateTmpList.size() <= 0 || yAllInit == 0
                                || yAllInit - coordinateOneList.get(0).getY() < 11.0) {
                            yAllInit = coordinateOneList.get(0).getY();
                            dataFloor = dataFloor + 1;
                            coordinateTmpList.addAll(coordinateOneList);
                        } else {
                            coordinate2Data(pdfName, dataStrsList.get(dataStrsList.size() - 1), fieldX, coordinateTmpList);

                            yAllInit = 0;
                            dataFloor = 0;
                            coordinateTmpList = new ArrayList<>();

                            yAllInit = coordinateOneList.get(0).getY();
                            dataFloor = dataFloor + 1;
                            coordinateTmpList.addAll(coordinateOneList);
                        }
                    }
                }
            }
        }
        if (coordinateTmpList.size() > 0) {
            coordinate2Data(pdfName, dataStrsList.get(dataStrsList.size() - 1), fieldX, coordinateTmpList);
        }
        return dataStrsList;
    }

    public void coordinate2Data(String pdfName, String[] dataFinalStrs, float[] fieldX, List<Coordinate> coordinateList) {
        for (Coordinate coordinate : coordinateList) {
            // 图号：0
            if (coordinate.getX() > fieldX[0] - 10 && coordinate.getX() < fieldX[0] + 20) {
                dataFinalStrs[2] = dataFinalStrs[2] + coordinate.getText();
            }
            // 起始年：1
            else if (coordinate.getX() > fieldX[1] - 10 && coordinate.getX() < fieldX[1] + 30) {
                dataFinalStrs[3] = dataFinalStrs[3] + coordinate.getText();
            }
            // 终止年：2
            else if (coordinate.getX() > fieldX[2] - 10 && coordinate.getX() < fieldX[2] + 30) {
                dataFinalStrs[4] = dataFinalStrs[4] + coordinate.getText();
            }
            // 配件号：6
            else if (coordinate.getX() > fieldX[6] - 20 && coordinate.getX() < fieldX[6] + 40) {
                dataFinalStrs[8] = dataFinalStrs[8] + coordinate.getText();
            }
            // 左/右：7
            else if (coordinate.getX() > fieldX[7] - 10 && coordinate.getX() < fieldX[7] + 20) {
                dataFinalStrs[9] = dataFinalStrs[9] + coordinate.getText();
            }
            // 单量：8
            else if (coordinate.getX() > fieldX[8] - 10 && coordinate.getX() < fieldX[8] + 20) {
                dataFinalStrs[10] = dataFinalStrs[10] + coordinate.getText();
            }
            // 负选装：4
            else if (coordinate.getX() > fieldX[4] - 40 && coordinate.getX() < fieldX[4] + 30) {
                dataFinalStrs[6] = dataFinalStrs[6] + coordinate.getText();
            }
            // 配件名称：5
            else if (coordinate.getX() > fieldX[4] + 30 && coordinate.getX() < fieldX[6] - 20) {
                dataFinalStrs[7] = dataFinalStrs[7] + coordinate.getText();
            }
            // 正选装：3
            else if (coordinate.getX() > fieldX[2] + 30 && coordinate.getX() < fieldX[4] - 40) {
                dataFinalStrs[5] = dataFinalStrs[5] + coordinate.getText();
            }
            // 其它
            else {
                LOGGER.warn("！！！！XY轴溢出！PDF名称：{}，溢出内容：{}", pdfName, coordinate.toString());
            }
        }
    }

    class CustomRenderListener implements RenderListener {
        List<Coordinate> coordinateList = new ArrayList<>();

        public List<Coordinate> getCoordinateList() {
            return coordinateList;
        }

        @Override
        public void beginTextBlock() {
        }

        @Override
        public void endTextBlock() {
        }

        @Override
        public void renderImage(ImageRenderInfo arg0) {
        }

        @Override
        public void renderText(TextRenderInfo textRenderInfo) {
            Rectangle2D.Float boundingRectange = textRenderInfo.getBaseline().getBoundingRectange();
            coordinateList.add(new Coordinate(textRenderInfo.getText(),
                    boundingRectange.x,
                    boundingRectange.y));
        }
    }

    class Coordinate {
        String text;
        float x;
        float y;

        Coordinate(String text, float x, float y) {
            this.text = text;
            this.x = x;
            this.y = y;
        }

        public String getText() {
            return text;
        }

        public float getX() {
            return x;
        }

        public float getY() {
            return y;
        }

        @Override
        public String toString() {
            return "Coordinate{" +
                    "text='" + text + '\'' +
                    ", x=" + x +
                    ", y=" + y +
                    '}';
        }
    }

    public static void main(String[] args) throws Exception {
        String pdfFileFolder = "D:\\fan.zhou\\可行性研究\\正时\\Tmp-PDF提取数据\\别克\\插电式混动别克微蓝6\\配件信息截图";
        String imageFileFolder = "D:\\fan.zhou\\可行性研究\\正时\\Tmp-PDF提取数据\\别克\\插电式混动别克微蓝6\\Extract\\Image";
        String excelName = "插电式混动别克微蓝6";
        String excelFileFolder = "D:\\fan.zhou\\可行性研究\\正时\\Tmp-PDF提取数据\\别克\\插电式混动别克微蓝6\\Extract";

        PDF2DataTest pdf2DataTest = new PDF2DataTest();

        File[] pdfFiles = new File(pdfFileFolder).listFiles();
        List<String[]> dataStrsList = new ArrayList<>();
        for (File pdfFile : pdfFiles) {
            String pdfName = pdfFile.getName().replace(".pdf", "");
            String pdfAbsolutePath = pdfFile.getAbsolutePath();
//            LOGGER.info("当前处理的文件：{}", pdfName);

            pdf2DataTest.extractImages(pdfName, pdfAbsolutePath, imageFileFolder);
            pdf2DataTest.extractText(dataStrsList, pdfName, pdfAbsolutePath);
        }
        pdf2DataTest.exportData(dataStrsList, excelName, excelFileFolder);
    }

}
周凡123
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
pdf提取表格的开源工具
11-27
这是一款开源工具，可以很方便地从pdf中提取出表格，可以人工选择要提取的表格，也可以写python代码实现自动化提取表格。
PDF文件图片提取软件
06-10
总的来说，PDF文件图片提取软件是提高工作效率和便利性的利器，它解决了在PDF文件中管理和提取图片的难题。通过选择合适的软件并掌握其基本操作，用户可以轻松地将PDF中的图像资源转化为可独立使用的图片文件。
怎么把PDF文件中的图片全部提取出来
Sion32的博客
04-15 9892
提取PDF文件中的图片内容看似简单，但是如果文档特别大，而且图片也特别多的话，想要一次性将PDF中的图片内容提取出来恐怕就不那么简单了。 　　通过一些pdf的网页工具我们可以在线对PDF文件中的图片进行提取，不用借助任何电脑软件工具就可以完成操作。当然这对文档大小也是有限制的，文档如果超过2M就不行了。在线转换工具（app.xunjiepdf.com） 　　首先进入到在线的pdf转换页面，
PDF中的表格解析(包括文件下载和转换为Excel)
weixin_44075164的博客
04-21 1136
文章目录前言一、PDF的下载二、使用步骤1.引入库2.读入数据总结 前言 需要对pdf中的表格进行下载解析,百度了一下对于pdf中的表格没有合适的调用方法,就只能先转换成Excel,然后在调用poi解析Excel 获得数据 这里.记录下过程 一、PDF的下载 我理解的文件下载就是对一个url进行访问,将返回的流写到本地磁盘里面.(Host等一些请求头视情况自己填写)代码如下: /** * 下载 pdf * @param webUrl pdf的网络地址 * @param
Python提取PDF中的文字和图片
西门一刀的博客
12-16 3438
一，使用Python提取PDF中的文字 # 只能处理包含文本的PDF文件 #coding=utf-8 import sys import importlib importlib.reload(sys) from pdfminer.pdfparser import PDFParser,PDFDocument from pdfminer.pdfinterp import PDFResourceManager,PDFPageInterpreter from pdfminer.converter import PD
java解析pdf获取pdf中内容信息
热门推荐
.
04-28 7万+
java解析pdf获取pdf中内容信息 今日项目中需要将pdf中的数据获取到进行校验数据，于是前往百度翻来覆去找到以下几种办法，做个笔记,方便日后查询。 1 使用开源组织提供的开源框架 pdfbox api ； https://pdfbox.apache.org/ 特点:免费，功能强大，解析中文或许会存在乱码，格式有点乱，没有国产解析的那么美化。 可以按照指定的模板，对pdf进行修改添加删除...
python提取PDF中的文本、图片和表格
09-23
该文件包含一个exe和一个py文件，...【【08】python练习|提取PDF文件中的图片、文本、公式和表格】 https://www.bilibili.com/video/BV1K34y1A7ux/?share_source=copy_web&vd_source=3a5925b532459caa93ff86011cae74a5
pdf数据提取和格式转换
最新发布
04-16
本篇将详细介绍如何利用Python进行PDF数据提取和格式转换，特别是针对“pdf转word”、“pdf提取表格”以及“pdf图片提取”这三个关键任务。 一、PDF转Word Python中有几个库可以实现PDF到Word的转换，其中最常用的...
python批量提取pdf表格与文字
04-11
python批量提取pdf表格与文字，要求pdf格式不能是图片转的，也不能是加密的，就可以使用这个代码提取
c#开发pdf文件拆分、转图片；pdf、图片内容提取，ocr文字识别技术，tesseract。
09-08
通过OCR，不仅可以从PDF中提取文本，也可以从图片中识别并提取文字，这对于自动化处理大量纸质文档或扫描件非常有用。 在实际应用中，可能需要对PDF或图片中的特定区域进行识别，比如表格、签名或条形码。这通常...
PDF大文件按关键字分页提取功能
10-17
PDF大文件按关键字分页提取功能，PDF大文件按关键字分页提取功能，PDF大文件按关键字分页提取功能PDF大文件按关键字分页提取功能
获取 pdf 中某个关键字的位置坐标
青山不改
03-24 2668
前言 在制作印章的时候 通过后端计算印章位置坐标，需要 提供pdf页面关键字 即可找到此关键字在pdf中的页数以及x,y 坐标 一、两个基础配置类 1.KeyWordPositionListener pdf签名帮助类 代码如下（示例）： package com.zjimee.boot.core.util.pdf; import com.itextpdf.awt.geom.Rectangle2D; import com.itextpdf.text.Rectangle; import c...
掌握iText：轻松处理PDF文档-进阶篇
凡夫编程
12-10 1687
下载字体：从字体天下网下载一个字体，需要注意的是在商业应用中版权问题，就下载这个吧，看着不错；使用自定义的字体也很简单，即在使用字体之前要先注册一下，注册完成后就可以使用了。@Testtry {document.add(new Paragraph("白日依山尽，黄河入海流。", font));document.add(new Paragraph("欲穷千里目，更上一层楼。", font));
[pdf]使用spire读取PDF的文字和图片
henku449141932的博客
04-12 1713
最近在梳理某项目的数据标准，从标准网下载了很多PDF格式的标准文件，需要提取文字和图片，所以写了个程序提取；本文使用了免费版的Spire。
使用itext对pdf指定文字位置插入图片
知北行的博客
10-20 9272
使用java开源itext库对pdf进行操作，分主要分两步先查找指定文字位置，然后再在指定位置插入图片。 1.查找指定文字的坐标位置 这里主要通过实现类RenderListener来完成查找坐标位置 代码如下： package com.anyu.PDFUtils; import java.io.File; import java.io.FileInputStream; import j...
PDF内根据关键字插入图片
weixin_41690497的博客
03-10 597
根据pdf内指定关键字的坐标插入图片，实现分为两个步骤。 1：查找出dpf内所有的关键字的坐标和关键字所在的页数。 2：根据查到的关键字位置出入图片； 引入 compile('com.itextpdf:itextpdf:5.5.6') import com.itextpdf.awt.geom.Rectangle2D.Float; import com.itextpdf.text.Do...
java判断是否安装了pdf_Java根据PDF中的关键字位置判定PDF文件是否合法
weixin_39785422的博客
02-13 322
packagecom.alphajuns.util;importcom.itextpdf.text.pdf.PdfReader;importcom.itextpdf.text.pdf.parser.PdfReaderContentParser;importjava.io.IOException;/*** @ClassName CheckPdfHelper* @Description 校验PDF是否...
iText生成pdf
weixin_30438813的博客
05-28 961
iText是著名的开放项目，是用于生成PDF文档的一个java类库。通过iText不仅可以生成PDF或rtf的文档，而且可以将XML、Html文件转化为PDF文件。 版本：itextpdf-5.2.1.jar 1、生成一个PDF Java代码 //Step1—CreateaDocument. Documentdocument=newDocument(...
itextpdf获取关键字所在坐标位置以及添加印章、水印等
qq_20161461的博客
01-02 4874
一、简介 iText是著名的开放源码的站点sourceforge一个项目，是用于生成PDF文档的一个java类库。通过iText不仅可以生成PDF或rtf的文档，而且可以将XML、Html文件转化为PDF文件。 maven依赖导入 <dependency> <groupId>com.itextpdf</groupId> <artifactId>itextpdf</artifactId>
python pdf 同时提取表格和文字
05-15
在处理PDF文件时，需要提取其中的表格和文字内容，这就需要使用Python的相关库。 有许多Python库可以用于处理PDF文件，其中比较流行的包括PyPDF2、pdfminer、pypdfocr等。这些库提供了一些方便的功能，例如提取PDF...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值