使用PDFBox解析PDF文件(尤其是带有表格的文件)
我需要解析一个包含表格数据的PDF文件。我使用PDFBox来提取文件文本，以便稍后解析结果(字符串)。问题是，对于表格数据，文本提取不能像我预期的那样工作。例如，我有一个包含这样的表的文件(7列:前两列总是有数据，只有一列复杂度列有数据，只有一列财务列有数据)：
+----------------------------------------------------------------+
| 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);这两行数据将像这样提取：
xyz 12.43 12.4312.43
abc 1.56 1.561.56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/Other，FAE？我没有数字和它们的列之间的关系。
我不需要使用PDFBox库，所以使用其他库的解决方案就可以了。我想要的是能够解析文件，并知道每个解析的数字的含义。
回答 16
Stack Overflow用户
发布于 2010-08-13 05:47:34
您需要设计一种算法来以可用的格式提取数据。无论您使用哪个PDF库，您都需要执行此操作。字符和图形是通过一系列有状态的绘制操作来绘制的，即移动到屏幕上的这个位置并绘制字符'c‘的字形。
我建议您扩展org.apache.pdfbox.pdfviewer.PDFPageDrawer并覆盖strokePath方法。从那里，您可以截取水平和垂直线段的绘制操作，并使用该信息来确定表的列和行位置。然后，只需设置文本区域并确定在哪个区域中绘制了哪些数字/字母/字符。由于您知道区域的布局，因此您将能够辨别提取的文本属于哪一列。
此外，在视觉上分隔的文本之间可能没有空格的原因是，PDF通常不会绘制空格字符。相反，文本矩阵被更新，并发出“移动”的绘制命令，以绘制下一个字符和与上一个字符分开的“空间宽度”。
祝好运。
Stack Overflow用户
发布于 2013-07-01 06:02:49
您可以在PDFBox中按区域提取文本。如果您使用的是Maven，请参阅pdfbox-examples工件中的ExtractByArea.java示例文件。代码片段看起来像这样
PDFTextStripperByArea stripper = new PDFTextStripperByArea();
stripper.setSortByPosition( true );
Rectangle rect = new Rectangle( 464, 59, 55, 5);
stripper.addRegion( "class1", rect );
stripper.extractRegions( page );
String string = stripper.getTextForRegion( "class1" );问题是首先要得到坐标。我已经成功地扩展了普通的TextStripper，覆盖了processTextPosition(TextPosition text)，打印出了每个字符的坐标，并确定了它们在文档中的位置。
但有一个简单得多的方法，至少如果你用的是Mac电脑。在预览中打开⌘I以显示检查器，选择裁剪选项卡并确保单位为点，从工具菜单选择矩形选择，然后选择感兴趣的区域。如果您选择一个区域，检查器将向您显示坐标，您可以将其舍入并馈送到Rectangle构造函数参数中。您只需使用第一种方法确认源在哪里。
Stack Overflow用户
发布于 2012-09-23 01:15:20
对我来说可能太晚了，但我认为这并不难。您可以扩展PDFTextStripper类并覆盖writePage()和processTextPosition(...)方法。在您的例子中，我假设列标题总是相同的。这意味着您知道每个列标题的x坐标，并且可以将数字的x坐标与列标题的x坐标进行比较。如果它们足够接近(您必须测试以确定有多接近)，那么您可以说该数字属于该列。
另一种方法是在编写每个页面后截取"charactersByArticle“矢量：
@Override
public void writePage() throws IOException {
super.writePage();
final Vector<List<TextPosition>> pageText = getCharactersByArticle();
//now you have all the characters on that page
//to do what you want with them
}了解您的列之后，您可以对x坐标进行比较，以确定每个数字所属的列。
数字之间没有任何空格的原因是您必须设置单词分隔符字符串。
我希望这对你或其他可能正在尝试类似事情的人有用。
https://stackoverflow.com/questions/3203790
复制相似问题
腾讯云开发者
