java 提取pdf表格内容_在Java中使用tabula提取PDF中的表格数据

问题:如何将pdf文件中指定的表格数据提取出来?

尝试过的工具包有:pdfbox、tabula。最终选用tabula

两种工具的比较

pdfbox

其中,pdfbox能将pdf中的内容直接提取成String,代码片段:

public static voidreadPdf(String path) {try{

PDDocument document= PDDocument.load(newFile(path));

PDFTextStripper textStripper= newPDFTextStripper();

textStripper.setSortByPosition(true);

String text=textStripper.getText(document);

System.out.println(text);

document.close();

}catch(IOException e) {

e.printStackTrace();

}

}

但是如果遇到类似以下表格数据时,会有格式损失。无论中间有几个空的单元格,最终只会转为1个制表位字符(/t)。

java 提取pdf表格内容_在Java中使用tabula提取PDF中的表格数据_第1张图片

input1.pdf

转换为String后是这样的:

你可能感兴趣的:(java,提取pdf表格内容)