Java 提取PDF文档中的表格信息(java导出pdf表格)

createh51个月前 (02-01)技术教程7

在前文中我曾介绍过如何利用Java代码在PDF文档中创建表格。那对于一个已经包含有表格的PDF文档,想要提取其中表格信息进行编辑分析是否可行呢?答案是可以。用到的工具同样是Spire.PDF for Java控件,需用到它的最新版4.10.2。

以下是PDF示例文档:

导入Jar包:E-iceblue中文官网下载Spire.PDF for Java产品包,解压后在lib文件夹下找到Spire.Pdf.jar,然后将其手动导入IDEA;如果用Maven仓库安装方式,在pom.xml里键入以下代码即可。

<repositories>
        <repository>
            <id>com.e-iceblue</id>
            <name>e-iceblue</name>
            <url>https://repo.e-iceblue.com/nexus/content/groups/public/</url>
        </repository>
</repositories>
<dependencies>
    <dependency>
        <groupId> e-iceblue </groupId>
        <artifactId>spire.pdf</artifactId>
        <version>4.10.2</version>
    </dependency>
</dependencies>

代码示例

Spire.PDF for Java提供了PdfTableExtractor.extractTable(int pageIndex)方法来检测和提取PDF文档中的表格信息。以下是具体实现步骤:

  • 创建PdfDocument实例
  • 使用PdfDocument.loadFromFile()方法加载PDF示例文档
  • 创建StringBuilderPdfTableExtractor实例
  • 遍历文档所有页面,然后使用PdfTableExtractor.extractTable(int pageIndex)方法提取表格到PdfTable 数组
  • 遍历表格的所有行和列,然后使用PdfTable.getText(int rowIndex, int columnIndex)方法提取数据,最终通过StringBuilder.append()方法将数据保存到StringBuilder实例
  • 使用Writer.write()方法将提取的表格数据写入.txt文档
import com.spire.pdf.PdfDocument;
import com.spire.pdf.utilities.PdfTable;
import com.spire.pdf.utilities.PdfTableExtractor;
import java.io.FileWriter;
import java.io.IOException;

public class ExtractTable {
    public static void main(String[] args) throws IOException {
        //创建PdfDocument实例
        PdfDocument pdf = new PdfDocument();
        //加载PDF示例文档
        pdf.loadFromFile("C:\\Users\\Test1\\Desktop\\sample.pdf");

        //创建StringBuilder和PdfTableExtractor实例
        StringBuilder builder = new StringBuilder();
        PdfTableExtractor extractor = new PdfTableExtractor(pdf);

        //遍历PDF文档的所有页
        for (int pageIndex = 0; pageIndex < pdf.getPages().getCount(); pageIndex++) {
            PdfTable[] tableLists = extractor.extractTable(pageIndex);
            if (tableLists != null && tableLists.length > 0) {
                for (PdfTable table : tableLists) {
                    //获取表格的所有行
                    for (int i = 0; i < table.getRowCount(); i++) {
                        //获取表格所有列
                        for (int j = 0; j < table.getColumnCount(); j++) {
                            //提取表格中的所有数据至StringBuilder
                            String text = table.getText(i, j);
                            builder.append(text + " | ");
                        }
                        builder.append("\r\n");
                    }
                }
            }
        }

        //保存数据至.txt文档
        FileWriter fw = new FileWriter("output/ExtractTable.txt");
        fw.write(builder.toString());
        fw.flush();
        fw.close();
    }
}

表格信息提取效果如下:

相关文章

截取字符串——Substring用法(substring截取字符串数据库)

string类提供了一个Substring方法,可以截取字符串中指定位置和指定长度的字符。详细讲解:namespace ConsoleApplication2 { class Program...

Java中如何使用正则技术提取html中的任意内容

在Java中,可以使用正则表达式来提取HTML中的任意内容。以下是一个示例代码,演示如何使用正则表达式从HTML中提取文本:import java.util.regex.Matcher; impor...

100个Java工具类之70:字符串处理工具类StringUtils

StringUtils是常用的工具类,提供大量处理字符串的静态方法。StringUtils主要特点对null安全:如入参是null,方法不会抛出NullPointerException,而会返回相应的...

汉字转拼音Chinese to Pinyin(汉字转拼音大写在线翻译)

从网上找的资料,记得以前在C#中曾经用过这类资料,保存下来以后再进一步测试和应用。一、引入maven依赖 com.belerweb pinyin4j 2.5.0 二、工具类Pinyi...

前端 JavaScript 字符串中提取数字

var str ="4500元"; var num = parseInt(str); alert(num);//4500 如果字符串前面有非数字字符,上面这种方法就不行了:var...

第一次运行 Python 项目,使用 python-pptx 提取 ppt 中的文字和图片

人工智能时代,最需要学习的编程语言是:python 。笔者是个 python 小白,昨天花了两个小时,第一次成功运行起来 python 项目 。项目是 powerpoint-extractor ,可以...