PDF文本转Json数据的四个插件汇总（支持pdf表格多行文本转 json）

在开发过程中遇到了 PDF 转 Data的 需求，PDF中是一页页A4纸制式的表单，类似于信用卡办理个人信息表，那么我们需要的工具应该满足

1 可读取PDF文本并转化成 语言数据

2 可精确读取每行文本 并能解析成对应一行行的 语言数据

于是开始调研，调研过程使用了

Java: tabula+pdfbox,pdf2data+itext,

python：pdfplumer，tabula-py

实际使用中 tabula能很好的识别出需要文本，但是对于较复杂的表格对象会有错误数据

而pdf2data是一个收费的itext7组件，可以定制需要的模板 去针对的识别你要的数据，需要点时间入门学习以及收费，但是确实很好用

但是上面俩种都无法很好的满足我的需求，而Java的开源项目中一个不满足需求，一个收费，而Java的开源项目中，个人没找到对pdf中表格进行单元格识别的第三方，只能目光企及python库，果然找到了读表宝库-pdfplumer，因为它支持对一个单独的表格进行解析并收集成一个数据组。

总结:调研测试中，只有pdfplumer对我的单元格有三行数据的pdf文件进行了正确排序的数据识别。

调研过程中也发现网上博客对此汇总比较少，特作此记录，并共享，必有不足，烦请见谅！

下放连接

1.tabula的使用

2.Itext-Pdf2data的使用

3.tabula-py，pdfplumer使用示例代码

对于python区的研究较少，时间较短，且由于python特性，所以篇幅也不大，直接上一段代码块

1     2     3     4     5     6     7     8

tabula-py import tabula   df = tabula.read_pdf("E:\\example.pdf", encoding='utf-8', pages='all') print(df) for indexs in df.index:     # 遍历打印             print(df.loc[indexs].values[1].strip())

 

1     2     3     4     5     6     7     8     9    10    11    12    13

pdfplumer import pdfplumber import pandas as pd with pdfplumber.open("E:\\example.pdf") as pdf:     page = pdf.pages[0]   # 第一页的信息     table = page.extract_tables()  # 获取所有表格     for t in table:         print(t)         # 得到的table是嵌套list类型，转化成DataFrame更加方便查看和分析         df = pd.DataFrame(t[0:], columns=t[0])         print(df)