java用tabula解析pdf文件中的表格

前面写了一个用pdf解析pdf格式的发票，因为发票的样式相当于一个表格，之前那篇博客已经说过了，pdfbox没找到能定位表格的线坐标的方法，所以明细部分的解析不能说是100%的正确，今天又找到一个新的东西，就是tabula，专门解析pdf表格，可以解析各种连分割线都没有的表格，真强，是在pdfbox的基础上再封装的，底层还是pdfbox实现的，github地址tabula-java

因为找了半天能找到的博客很少，所以下载了源码看一看，里面有很多test类

我就试了一下TestWriters，解出来的和直接用pdfbox的PDFTextStripper解析出来是一模一样的。

在网上看到的是用CommandLineApp这个类来解析的，研究一下这个吧

导入依赖

            technology.tabula
            tabula
            1.0.3
            
                
                    slf4j-simple
                    org.slf4j
                
            
        

开始控制台报了一个slf4j的错，是jar冲突导致的，移除tabula依赖里的slf4j就好了

    @Test
    public void test1() {
        String[] args = new String[]{"-f=JSON","-o=d:/output.txt", "-p=all", "D:\\work\\file\\temp\\111.pdf"};
        CommandLineApp.main(args);
    }

这样子解析出来的直接就是按照从上到下从左到右单元格划分的，而且带着单元格的坐标，这不就是我之前苦苦要找的吗！！！！！！！！！！！开心！

可以用之前的方法读取表格外面的那些字段，用tabula来读表格里面的字段，完美！

在readme文件中介绍了参数都是什么意思，虽然我也没怎么看懂

-f=JSON 就是输出json格式，默认是csv的

-o=d:/output.txt 就是输出到文件，当然我们解析肯定不用输出到文件，只要获得字符串就可以了，等下找找参数应该写什么

-p=all 就是解析的页数吧，我这个只有这一页

最后一个参数就是要读取的pdf文件路径了

参数的可以加的，之所以是数组，就是因为参数的个数可以随便传

    @Test
    public void test1() {
        String[] args = new String[]{"-f=JSON", "-p=all", "D:\\work\\file\\temp\\111.pdf"};
        CommandLineApp.main(args);
    }

去掉-o=d:/output.txt的话，直接就输出到控制台了，那么怎么接收呢？

    @Test
    public void test1() throws Exception {
        String[] args = new String[]{"-f=JSON", "-p=all", "D:\\work\\file\\temp\\111.pdf"};
//        CommandLineApp.main(args);
        CommandLineParser parser = new DefaultParser();
        CommandLine cmd = parser.parse(CommandLineApp.buildOptions(), args);
        StringBuilder stringBuilder = new StringBuilder();
        new CommandLineApp(stringBuilder, cmd).extractTables(cmd);
        System.out.println("============");
        System.out.println(stringBuilder.toString());
    }

完美！哈哈哈，其实那个源码的test里就是这么写的

那么接下来就是先去掉坐标为0的元素（不知道为啥，有好多坐标0长宽0的元素），然后按照发票的样子，按顺序去取值，然后按照行，冒号等等分隔，就可以拿到我们要的内容啦！