【丰富版】JAVA读取PDF表格内容

spire.pdf + pdf + 表格

背景： 近需要处理一批PDF文本，里面内容都是文本形式的表格数据，需要按指定规则将一些数据提取出来入库。网上看了一些开源的工具，大部分无法处理复杂的表格数据，尤其是涉及到单个表格内部出现换行时，数据抽取基本错乱。后续通过demo发现spire.pdf提供的jar包实现效果较好，虽然有一些BUG，但相较于其他组件，更符合实际项目需求。下面应用概述该组件实现表格抽取的过程及注意事项。

博客内容精选：
1、Servlet请求体重复读&修改新姿势
2、根据请求获取后端接口详情
3、封装Springboot项目的starter-sdk新方式
4、Springboot全局处理完整版
5、itextpdf读取文本时上下行位置错乱
6、JAVA读取PDF表格内容

1、POM依赖引入

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

<dependency>
    <groupId>e-iceblue</groupId>
    <artifactId>spire.pdf.free</artifactId>
    <version>5.1.0</version>
</dependency>

注：相较于使用spire做文档转换有3页的限制，表格抽取目前没有明确限制篇数，自身需求也只需处理一两页内容。

2、样例代码

public static String getFormatTableData(String localFile) throws ExtractException {
    PdfDocument pdf = new PdfDocument(localFile);
    StringBuilder builder = new StringBuilder();
    PdfTableExtractor extractor = new PdfTableExtractor(pdf);
    try {
        for (int pageIndex = 0; pageIndex < pdf.getPages().getCount(); pageIndex++) {
            PdfTable[] tableLists = extractor.extractTable(pageIndex);
            if (tableLists != null && tableLists.length > 0) {
                for (PdfTable table : tableLists) {
                    for (int i = 0; i < table.getRowCount(); i++) {
                        for (int j = 0; j < table.getColumnCount(); j++) {
                            String text = table.getText(i, j);
                            if (StringUtils.isNotBlank(text)) {
								//每一行，各字段间用|分开
                                builder.append(text).append("|");
                            }
                        }
                        if (builder.charAt(builder.length() - 1) == '|') {
                            builder.deleteCharAt(builder.length() - 1);
							//使用$作为换行标识
                            builder.append("$");
                        }
                    }
                }
            }
        }
    } catch (Exception e) {
		//可使用图片OCR等方式补救
	} finally {
        pdf.close();
    }
	
	return StringUtils.deleteWhitespace(builder.toString());

说明：
1、数据抽取的基础要求就是各字段内容互不影响，尤其是单元格内换行导致上线行内容错乱
2、抽取字段间需要有明确的起始标记，此处以|分割字段值，以$分割行
3、抽取时另需考虑值为空或非法格式等特殊场景

注意事项：
1、spire.pdf不能读取所有pdf文本中的表格，部分场景直接报错（个人不涉及）
2、spire.pdf依赖包模块化基础较差，单个包就达到50M，远超其他组件包
3、spire.pdf只能识读PDF中的表格数据，表格外内容无法处理（图片OCR一般会兼容）
4、spire.pdf免费版本维护周期较大，已知BUG有行尾有标点符号，则该标点符号会丢失，数据内容就会错乱，有些场景造成的问题很大。

追加：表格外内容无法读取及行尾标点符号丢失问题，解决方法将在其他博客说明