java用pdfbox解析pdf文件中的表格

需要解析的pdf是一个发票

没有废话，先导入pdfbox的依赖

        
            org.apache.pdfbox
            pdfbox
            2.0.16
        

我先是这样写的，pdf相关的对象都是org.apache.pdfbox包下的，就不写了

    @Test
    public void test1() throws Exception {
        PDDocument pdDocument = PDDocument.load(new File("D:\\work\\file\\temp\\普通电子发票.pdf"));
        if (pdDocument.isEncrypted()) {//加密
            System.out.println("pdDocument.isEncrypted");
            return;
        }
        PDPage page = pdDocument.getPage(0);//第一页
        PDFTextStripperByArea pdfTextStripper = new PDFTextStripperByArea();//区域文本剥离器
        pdfTextStripper.addRegion("region1", new Rectangle(0, 0, (int) page.getMediaBox().getWidth(), (int) page.getMediaBox().getHeight()));//区域大小
        pdfTextStripper.extractRegions(page);//设置页
        pdfTextStripper.setSortByPosition(true);//排序
        String text = pdfTextStripper.getTextForRegion("region1");//剥离文本

        System.out.println(text);
        pdDocument.close();
    }

其中getMediaBox()方法是获取pdf文件的几个box之一，pdf文件有几个box，什么裁剪打印什么的，相当于不同的范围，有一些特有的信息，反正mediaBox是范围最大的那个。

虽然设置了排序，应该是按从上到下，从左到右排序的，但是输出之后发现文字的顺序是乱的，所以又换了下面这样

    @Test
    public void test2() throws Exception {
        PDDocument pdDocument = PDDocument.load(new File("D:\\work\\file\\temp\\普通电子发票.pdf"));
        PDFTextStripper pdfTextStripper = new PDFTextStripper();
        pdfTextStripper.setSortByPosition(true);
        pdfTextStripper.setStartPage(0);
        pdfTextStripper.setEndPage(1);
        String text = pdfTextStripper.getText(pdDocument);
        System.out.println(text);
        pdDocument.close();
    }

注意设置读取的起始页和结束页是不包含结束页的，我上面如果两个都设置0的话，是读取不到内容的。

这次都读到了数据，而且是按顺序排列的，如下

大致上是可读的，仔细对比一下的话能看出来是按坐标的从上到下，从左到右排序的，大概是这个亚子

基本上是按这个顺序读的，文本都能取到，之后只需要按照格式进行字符串的处理就可以了

 

搞了三天再来写一点。

开始想的是直接读取页面全部的文本，然后按行分隔，再按空格分隔，然后按“第几行应该是什么数据”这种思路去取。

但是！

看了许多发票，发现字段的key和value不一定是同一行，高度有可能会有一点偏差，但是不会跑到其他行。我看的第一个pdf刚好是在同一行的，你说巧不巧。

这就导致了直接全部读取出来的话，每一行的顺序不固定，比如名称一行，可能“名称”在上，也可能是名称的值在上。总之读出来的数据是乱的，没有办法按照“第几行应该是什么数据”这种思路去取。

所以读取的垂直范围必须得比文字大一点才行，需要计算每一行之间空白的高度，然后按区域读取文字的时候要把空白的这部分加上，就可以保证即使有一点偏差，也能将key和value在同一个区域读出来。

我这里是读取了所有文字的坐标，然后按从上到下，从左到右顺序排序，然后找每一行的关键字，去确定这一行的坐标。

比如先从上往下读，倒着读，读到第一个“码”字，就是“发票代码”这一行，读到第二个就是“发票号码”这一行，然后通过这两个字的坐标，再计算出这两行之间空白的高度，然后按坐标读取的时候加上空白的1/2，保证字段的值就算有一点偏差，也能读出来。

下面的字段也是用类似的方式，就是找到关键字，判断一个大致的范围，这种方式因为是按文字去确定的范围，所以对于明细区域的文字没法用，明细我是按行和空额分隔的，因为我读取的发票格式比较固定刚好可以用这种方法读。

确定每个文字的坐标的话需要继承PDFTextStripper类，覆盖processTextPosition方法，这个方法传入的TextPosition就有这个文字的坐标信息，下面那个方法是按从上到下，从左到右排序返回了这些信息。

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.text.TextPosition;

import java.awt.*;
import java.io.IOException;
import java.util.ArrayList;
import java.util.List;

public class MyStripper extends PDFTextStripper {
    List> rectangleList;
    List allRectangle;

    /**
     * Instantiate a new PDFTextStripper object.
     *
     * @throws IOException If there is an error loading the properties.
     */
    public MyStripper() throws IOException {
        super();
    }

    @Override
    protected void processTextPosition(TextPosition text) {
        allRectangle.add(new Rectangle((int)text.getX(), (int)text.getY(), (int)text.getWidth(), (int)text.getHeight()));
    }

    public List> getTextRectangleList(PDDocument pdDocument) throws IOException {
        rectangleList = new ArrayList<>();
        allRectangle = new ArrayList<>();
        setSortByPosition(true);
        setStartPage(0);
        setEndPage(1);
        getText(pdDocument);
        if(allRectangle.size() == 0){
            return rectangleList;
        }
        allRectangle.sort((a, b) ->{
            if(a.y == b.y){
                if(a.x == b.x){
                    return 0;
                }else if(a.x > b.x){
                    return 1;
                }else {
                    return -1;
                }
            }else if(a.y > b.y){
                return 1;
            }else {
                return -1;
            }
        });
        List subRectangleList = new ArrayList<>();
        int y = allRectangle.get(0).y;
        for(Rectangle rectangle : allRectangle){
            if(y != rectangle.y){
                y = rectangle.y;
                rectangleList.add(subRectangleList);
                subRectangleList = new ArrayList<>();
            }
            subRectangleList.add(rectangle);
        }
        rectangleList.add(subRectangleList);
        return rectangleList;
    }
}

最好的方法还是定位表格线的坐标，然后把表格按线的坐标去划分成各个单元格，因为这个表格中单元格的大小可能会有偏差，但是样式是固定的，第几行第几列是什么就是什么。

但是搜了pdfbox和itext，只搜到了文本和图片的定位，没有线的定位，Python的倒是有可以定位线的方法。

要是哪位大佬知道java的方法，麻烦评论区告知，万分感谢！