首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >问答首页 >如何提取pdf文件中表格的内容?

如何提取pdf文件中表格的内容?
EN

Stack Overflow用户
提问于 2015-07-10 06:00:58
回答 1查看 11.6K关注 0票数 6

我想提取pdf格式的表格内容,如下所示:

我用iText java PDF libray写的这个java程序,它可以逐行读取PDF文件的内容,但是我不知道如何获取表的内容

代码语言:javascript
运行
复制
import com.itextpdf.text.pdf.PdfReader;
import com.itextpdf.text.pdf.parser.PdfTextExtractor;

public class PDFReader {

    public static void main(String[] args) {

        // TODO, add your application code
        System.out.println("Lecteur PDF");
        System.out.println (ReadPDF("D:/test.pdf"));
    }
        private static String ReadPDF(String pdf_url)
    {
        StringBuilder str=new StringBuilder();
        try
        {

         PdfReader reader = new PdfReader(pdf_url);
        int n = reader.getNumberOfPages();
         for(int i=1;i<n;i++)
         {
            String str2=PdfTextExtractor.getTextFromPage(reader, i);
            str.append(str2);
           System.out.println(str);
         }
        }catch(Exception err)
        {
            err.printStackTrace();
        }
        return String.format("%s", str);
    }
}

这是我得到的:

但这不是我想要的,我想逐行、逐列地提取表的内容,例如,将每一行保存到一个java数组中

第一个数组将包含:"N°","DATE OBSERVATIONS","TEXTE“

第二个数组将包含:"029/14",“Le1er 9月2014 remplace ...”,"SETE A compter du lundi 7 juillet 2014 débuteront les trav...“

第三个数组将包含:"037/14","Le 15 octobre 2014 remplace ...","SETE Du 15 septembre 2014 au 15 juillet 2015,travau...“

诸若此类

谢谢

EN

回答 1

Stack Overflow用户

发布于 2015-07-10 06:08:13

如果您的PDF库不支持提取表,则可能需要确定常见的字段开始/结束字符序列,以便将数据拆分到一个数组中。例如,第一个字段是nnn/nn,第二个字段结束nnnn/nn,第三个字段在下一个第一个字段开始的地方结束。

这是一个棘手的问题-我以前不得不使用基于坐标的方法来处理这个问题,但是你的pdf库可能不支持提取字母的位置以及实际的文本。

票数 2
EN
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接:

https://stackoverflow.com/questions/31329008

复制
相关文章

相似问题

领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档