我需要解析一个包含表格数据的PDF文件。我使用
PDFBox提取文件文本来解析结果(字符串)稍后。问题是文本提取不能像我预期的表格数据那样工作。例如,我有一个文件,其中包含这样的表(7列:前两个总是有数据,只有一个复杂性列有数据,只有一个财务列有数据):
+----------------------------------------------------------------+
| AIH | Value | Complexity | Financing |
| | | Medium | High | Not applicable | MAC/Other | FAE |
+----------------------------------------------------------------+
| xyz | 12.43 | 12.34 | | | 12.34 | |
+----------------------------------------------------------------+
| abc | 1.56 | | 1.56 | | | 1.56|
+----------------------------------------------------------------+
然后我使用PDFBox:
PDDocument document = PDDocument.load(pathToFile);
PDFTextStripper s = new PDFTextStripper();
String content = s.getText(document);
这两行数据将提取如下:
xyz 12.43 12.4312.43
abc 1.56 1.561.56
在最后两个数字之间没有空格,但这不是最大的问题。问题是,我不知道最后两个数字是什么意思:中,高,不适用? MAC /其他,FAE?我没有数字和他们的列之间的关系。
我不需要使用PDFBox库,所以使用另一个库的解决方案是好的。我想要的是能够解析文件,知道每个解析的数字是什么意思。