用SpringBoot API实现识别pdf文件是否含有表格

要使用Spring Boot API 实现一个识别 PDF 文件是否含有表格的功能，你可以结合 PDF 解析库（如 Apache PDFBox）来解析 PDF 文件内容，并通过分析文本或线条来判断 PDF 是否包含表格。然后使用 Spring Boot 提供的 REST API 来实现上传和检测功能。

目录

实现步骤

1. 配置 pom.xml

2. 实现 Spring Boot 文件上传和检测 API

3. 配置 Spring Boot 启动类

4. 使用 Postman 或 curl 测试 API

5. 检测逻辑

6. 总结

实现步骤

1. 引入依赖：你需要将 pdfbox 和 Spring Boot Web 相关的依赖添加到 pom.xml 文件中。
2. 实现 PDF 文件的上传和解析：使用 Spring Boot 的 @RestController 实现文件上传，并调用 PDF 解析逻辑来检测是否含有表格。
3. 解析 PDF 文件：使用 PDFBox 解析 PDF 内容，检测表格信息。

1. 配置 pom.xml

    
    
        org.springframework.boot
        spring-boot-starter-web
    

    
    
        org.apache.pdfbox
        pdfbox
        2.0.27
    

    
    
        org.springframework.boot
        spring-boot-starter-tomcat
    

2. 实现 Spring Boot 文件上传和检测 API

创建一个 Spring Boot 控制器来处理 PDF 文件的上传和表格检测。

package com.example.pdfchecker;

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.text.TextPosition;
import org.springframework.web.bind.annotation.*;
import org.springframework.web.multipart.MultipartFile;

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

@RestController
@RequestMapping("/api/pdf")
public class PdfCheckerController {

    // POST 方法，用于接收文件上传并检测表格
    @PostMapping("/check-table")
    public String checkPdfForTable(@RequestParam("file") MultipartFile file) throws IOException {
        if (file.isEmpty()) {
            return "请上传一个PDF文件";
        }

        // 加载 PDF 文件
        PDDocument document = PDDocument.load(file.getInputStream());

        // 检查 PDF 是否含有表格
        boolean containsTable = containsTable(document);

        document.close();

        if (containsTable) {
            return "PDF 文件可能包含表格";
        } else {
            return "PDF 文件不包含表格";
        }
    }

    // 检测 PDF 是否可能包含表格
    private boolean containsTable(PDDocument document) throws IOException {
        TableTextStripper stripper = new TableTextStripper();
        stripper.setSortByPosition(true); // 按照位置排序文本
        stripper.setStartPage(1);
        stripper.setEndPage(document.getNumberOfPages());
        stripper.getText(document);

        List textPositions = stripper.getTextPositions();

        // 简单检测是否有相同行内多列文字
        for (int i = 1; i < textPositions.size(); i++) {
            TextPosition current = textPositions.get(i);
            TextPosition previous = textPositions.get(i - 1);

            // 判断是否在同一行（Y轴相似），X轴距离较远则可能为表格的列
            if (Math.abs(current.getY() - previous.getY()) < 2) {  // 同一行
                if (Math.abs(current.getX() - previous.getX()) > 50) { // 同一行内X轴间距较大
                    return true; // 检测到可能的表格
                }
            }
        }
        return false;
    }

    // 自定义 TextStripper，用于获取每个字符的位置
    private static class TableTextStripper extends PDFTextStripper {
        private List textPositions = new ArrayList<>();

        public TableTextStripper() throws IOException {
        }

        public List getTextPositions() {
            return textPositions;
        }

        @Override
        protected void processTextPosition(TextPosition text) {
            textPositions.add(text); // 存储每个字符的位置信息
            super.processTextPosition(text);
        }
    }
}

3. 配置 Spring Boot 启动类

创建 SpringBootApplication 类来启动 Spring Boot 应用程序。

package com.example.pdfchecker;

import org.springframework.boot.SpringApplication;
import org.springframework.boot.autoconfigure.SpringBootApplication;

@SpringBootApplication
public class PdfCheckerApplication {

    public static void main(String[] args) {
        SpringApplication.run(PdfCheckerApplication.class, args);
    }
}

4. 使用 Postman 或 curl 测试 API

curl -F "file=@/path/to/your/pdf-file.pdf" http://localhost:8080/api/pdf/check-table

使用 Postman 测试 API：

1. 打开 Postman，选择 POST 请求。
2. 输入 http://localhost:8080/api/pdf/check-table。
3. 在 Body 部分选择 form-data，添加键值对 file，并上传一个 PDF 文件。
4. 点击 Send 按钮发送请求，查看响应结果。

5. 检测逻辑

• TextPosition 检测：使用 PDFTextStripper 提取 PDF 中的每个文本块的位置信息。通过对比同一行中不同文本块的 X 轴坐标差异，来判断是否存在表格（表格通常会有较大的列间距）。
• 返回结果：如果检测到表格，则返回 "PDF 文件可能包含表格"，否则返回 "PDF 文件不包含表格"。

6. 总结

通过这个 Spring Boot 应用程序，你可以实现一个简单的 API，用于检测上传的 PDF 文件中是否包含表格。你可以根据实际需求进一步增强功能，例如检测更复杂的表格结构（如带有线条的表格），或处理其他PDF结构。