用Java提取PDF表格到文本、CSV、Excel工作表

server/2024/9/25 18:41:07/

如何精准地提取PDF格式中嵌入的表格数据，并将其无缝转换为更加易于分析和操作的形式，如纯文本、CSV文件或Excel工作表，是一项重要的文档处理技巧。使用Java，我们可以简单地实现这一过程。本文将介绍如何利用Java从PDF文档提取表格数据，并写入文本文件、CSV文件以及Excel工作表。

文章目录

    • 提取PDF表格数据写入文本文件
    • 提取PDF表格数据写入CSV文件
    • 提取PDF表格数据写入Excel文件

本文所使用的方法提取PDF表格主要需要免费的Free Spire.PDF for Java库，可下载导入或通过Maven导入：

<dependency><groupId>e-iceblue</groupId><artifactId>spire.pdf.free</artifactId><version>9.13.0</version>
</dependency>

提取PDF表格需要用到库中的PdfTableExtractor类。我们可以为载入的PDF文件创建PdfTableExtractor对象，然后使用PdfTableExtractor.extractTable()方法根据页面在文档中的参数提取指定PDF页面上所有表格，最后再使用PdfTable.getText()方法即可获取表格中的数据。以下是一般操作步骤示例：

  • 创建PdfDocument对象并使用PdfDocument.loadFromFile()方法载入PDF文档。
  • 使用载入的PDF文档创建PdfTableExtractor对象。
  • 使用PdfTableExtractor.extractTable()方法提取每个页面上的表格。
  • 使用PdfTable.getText()方法获取PDF表格的单元格数据。

使用上述方法获取表格数据后，我们就可以将其写入文本文件，或搭配其他工具制作CSV或Excel文件了。

提取PDF表格数据写入文本文件

使用PdfTableExtractor.extractTable()方法提取表格并使用PdfTable.getText()方法获取单元格数据后，我们可以通过构建字符串并写入文本文件来实现提取表格并保存为文本文件的目的。以下是详细操作步骤：

  1. 导入所需模块。
  2. 创建PdfDocument对象并使用PdfDocument.loadFromFile()方法载入PDF文档。
  3. 使用载入的PDF文档创建PdfTableExtractor对象。
  4. 遍历页面，使用PdfTableExtractor.extractTable()方法提取每个页面上的所有表格。
  5. 遍历提取到的表格，为每个表格创建一个StringBuilder对象。
  6. 遍历表格中的行和列，使用PdfTable.getText()方法获取每个单元格的数据并去除换行符。然后将单元格数据添加到StringBuilder对象。
  7. 将StringBuilder对象写入文本文件。
  8. 释放资源。

代码示例

java">import com.spire.pdf.PdfDocument;
import com.spire.pdf.utilities.PdfTable;
import com.spire.pdf.utilities.PdfTableExtractor;import java.io.FileWriter;
import java.io.IOException;public class 从PDF中提取文本 {public static void main(String[] args) throws IOException {// 创建一个PdfDocument对象PdfDocument pdf = new PdfDocument();// 加载一个PDF文档pdf.loadFromFile("Sample.pdf");// 创建一个PdfTableExtractor对象PdfTableExtractor extractor = new PdfTableExtractor(pdf);// 从每一页中提取表格for (int pageIndex = 0; pageIndex < pdf.getPages().getCount(); pageIndex++) {PdfTable[] tables = extractor.extractTable(pageIndex);// 如果表格不为空，则遍历表格if (tables != null) {for (int tableIndex = 0; tableIndex < tables.length; tableIndex++) {PdfTable table = tables[tableIndex];// 创建一个StringBuilder对象StringBuilder tableText = new StringBuilder();// 遍历行和列for (int rowIndex = 0; rowIndex < table.getRowCount(); rowIndex++) {for (int colIndex = 0; colIndex < table.getColumnCount(); colIndex++) {// 获取单元格文本并移除换行符String cellText = table.getText(rowIndex, colIndex);cellText = cellText.replaceAll("\\r|\\n", "");if (colIndex < table.getColumnCount() - 1) {tableText.append(cellText).append("\t");} else {tableText.append(cellText).append("\n");}}}// 将表格写入文本文件try (FileWriter writer = new FileWriter("output/Tables/Page" + (pageIndex+1) + "-Table" + (tableIndex+1) + ".txt")) {writer.write(tableText.toString());}}}}}
}

提取结果
Python提取PDF表格到文本

提取PDF表格数据写入CSV文件

我们也可以用同样的方法提取表格数据，然后搭配其他模块，如opencsv，将提取到的数据写入CSV文件。也可以使用下面的提取PDF表格写入Excel文件，最后保存时保存为CSV文件。
opencsv：

<dependency><groupId>com.opencsv</groupId><artifactId>opencsv</artifactId><version>5.9</version>
</dependency>

以下是搭配opencsv提取PDF表格数据并写入CSV文件的操作步骤：

  1. 导入所需模块。
  2. 创建PdfDocument对象并使用PdfDocument.loadFromFile()方法载入PDF文档。
  3. 使用载入的PDF文档创建PdfTableExtractor对象。
  4. 历页面面，使用PdfTableExtractor.extractTable()方法提取每个页面上的所有表格。
  5. 遍历提取的表格，并构建CSV文件名。
  6. 创建CSVWriter对象，遍历表格行以及行中的列，使用PdfTable.getText()方法获取每个单元格的数据并去除换行符，将提取的每行表格数据构建为字符串列表。最后将字符串列表写入为CSV数据行。
  7. 释放资源。

代码示例

java">import com.opencsv.CSVWriter;
import com.spire.pdf.PdfDocument;
import com.spire.pdf.utilities.PdfTable;
import com.spire.pdf.utilities.PdfTableExtractor;import java.io.FileWriter;
import java.io.IOException;public class 从PDF表格提取到CSV {public static void main(String[] args) throws IOException {// 创建一个PdfDocument对象PdfDocument pdf = new PdfDocument();// 加载一个PDF文档pdf.loadFromFile("Sample.pdf");// 创建一个PdfTableExtractor对象PdfTableExtractor extractor = new PdfTableExtractor(pdf);// 从每一页中提取表格for (int pageIndex = 0; pageIndex < pdf.getPages().getCount(); pageIndex++) {PdfTable[] tables = extractor.extractTable(pageIndex);// 如果表格不为空，则遍历表格if (tables != null) {for (int tableIndex = 0; tableIndex < tables.length; tableIndex++) {PdfTable table = tables[tableIndex];// 创建CSV文件名String csvFileName = "output/Tables/Page" + (pageIndex + 1) + "-Table" + (tableIndex + 1) + ".csv";// 创建一个CSVWriter对象try (CSVWriter writer = new CSVWriter(new FileWriter(csvFileName))) {// 遍历行和列for (int rowIndex = 0; rowIndex < table.getRowCount(); rowIndex++) {String[] row = new String[table.getColumnCount()];for (int colIndex = 0; colIndex < table.getColumnCount(); colIndex++) {// 获取单元格文本并移除换行符String cellText = table.getText(rowIndex, colIndex).replaceAll("\\r?\\n", "");row[colIndex] = cellText;}// 将行写入CSV文件writer.writeNext(row);}}}}}// 关闭PDF文档pdf.close();}
}

提取结果
Python提取PDF表格到CSV

提取PDF表格数据写入Excel文件

保存PDF表格到表格需要用到Free Spire.XLS for Java。我们可以提取到PDF文档表格单元格数据后，使用Worksheet.getRange().setText()方法将数据写入到创建的Excel工作表的相应单元格并保存，从而实现PDF表格数据到Excel文件的提取。同时，我们还可以在保存文件时将格式参数设置为CSV，实现PDF表格数据到CSV文件的提取。
Free Spire.XLS for Java:

<dependency><groupId>e-iceblue</groupId><artifactId>spire.xls.free</artifactId><version>5.3.0</version>
</dependency>

以下是详细操作步骤：

  1. 导入所需模块。
  2. 创建PdfDocument对象并使用PdfDocument.loadFromFile()方法载入PDF文档。
  3. 创建Workbook对象，并使用Workbook.getWorksheets().clear()方法清除默认工作表。
  4. 使用载入的PDF文档创建PdfTableExtractor对象。
  5. 历页面面，使用PdfTableExtractor.extractTable()方法提取每个页面上的所有表格。
  6. 遍历提取的表格，使用Workbook.getWorksheets().add()方法为每个表格创建一个指定名称的工作表。
  7. 遍历表格行和列，使用PdfTable.getText()方法获取每个单元格的数据并去除换行符，然后使用Worksheet.getRange().setText()方法将单元格数据写入到工作表的相应单元格。
  8. 设置工作表单元格的格式。
  9. 使用Worksheet.autoFitRow()和Worksheet.autoFitColumn()方法自动调整行高和列宽。
  10. 可以使用Worksheet.saveToFile()方法将工作表保存为CSV文件。
  11. 使用Workbook.saveToFile()方法保存工作簿为Excel文件。
  12. 释放资源。

代码示例

java">import com.spire.pdf.PdfDocument;
import com.spire.pdf.utilities.PdfTable;
import com.spire.pdf.utilities.PdfTableExtractor;
import com.spire.xls.*;public class 从PDF表格提取到Excel {public static void main(String[] args) {// 创建一个PdfDocument对象PdfDocument pdf = new PdfDocument();// 加载一个PDF文档pdf.loadFromFile("G:/Documents/Sample73.pdf");// 创建一个Workbook对象Workbook workbook = new Workbook();workbook.getWorksheets().clear();// 创建一个PdfTableExtractor对象PdfTableExtractor extractor = new PdfTableExtractor(pdf);// 从每一页中提取表格for (int pageIndex = 0; pageIndex < pdf.getPages().getCount(); pageIndex++) {PdfTable[] tables = extractor.extractTable(pageIndex);// 如果表格不为空，则遍历表格if (tables != null) {for (int tableIndex = 0; tableIndex < tables.length; tableIndex++) {// 向工作簿中添加一个工作表Worksheet sheet = workbook.getWorksheets().add("Page" + (pageIndex + 1) + "-Table" + (tableIndex + 1));// 遍历表格中的行和列for (int rowIndex = 0; rowIndex < tables[tableIndex].getRowCount(); rowIndex++) {for (int colIndex = 0; colIndex < tables[tableIndex].getColumnCount(); colIndex++) {// 获取单元格文本并移除换行符String cellText = tables[tableIndex].getText(rowIndex, colIndex).replaceAll("\\r|\\n", "");// 将单元格文本写入工作表sheet.getCellRange(rowIndex+1, colIndex+1).setText(cellText);}}// 设置单元格样式CellRange[] rows = sheet.getRows();rows[0].getStyle().getFont().setFontName("HarmonyOS Sans SC");rows[0].getStyle().getFont().setSize(12);rows[0].getStyle().getFont().isBold(true);rows[0].getStyle().setHorizontalAlignment(HorizontalAlignType.Center);for (int i = 1; i < rows.length; i++) {rows[i].getStyle().getFont().setFontName("HarmonyOS Sans SC");rows[i].getStyle().getFont().setSize(12);rows[i].getStyle().setHorizontalAlignment(HorizontalAlignType.Left);}// 自动调整行和列for (int i = 0; i < rows.length; i++) {sheet.autoFitRow(i+1);}for (int i = 0; i < sheet.getColumns().length; i++) {sheet.autoFitColumn(i+1);}// 保存工作表为CSV文件// sheet.saveToFile("output/Tables/PDFTableToCSV-Page" + (pageIndex + 1) + "-Table" + (tableIndex + 1) + ".csv", ",");}}}// 保存工作簿workbook.saveToFile("output/PDFTableToExcel.xlsx");// 关闭PDF文档pdf.close();// 释放工作簿资源workbook.dispose();}
}

提取结果
Python提取PDF表格到Excel

本文演示了如何使用Java提取PDF表格数据写入文本、CSV以及Excel文件。

更多PDF文档操作技巧请前往Spire.PDF for Java教程查看。


http://www.ppmy.cn/server/121951.html

相关文章

清理C盘缓存，电脑缓存清理怎么一键删除，操作简单的教程

清理C盘缓存，电脑缓存清理怎么一键删除，操作简单的教程

清理C盘缓存是维护电脑性能、释放磁盘空间的重要步骤。以下是一个详细且操作简单的教程&#xff0c;旨在帮助用户通过一键或几步操作完成C盘缓存的清理。 1.使用Windows系统自带工具 磁盘清理 1.打开磁盘清理工具&#xff1a; -按下“WinE”打开文件资源管理器…
阅读更多...
程序员保碗之策

程序员保碗之策

欢迎来到 破晓的历程的 博客 ⛺️不负时光&#xff0c;不负己✈️ 文章目录 1. **持续深化技术实力&#xff1a;从基础到前沿**夯实基础紧跟技术前沿跨领域融合 2. **提升实战能力&#xff1a;从项目到产品**参与实际项目自主实践产品思维 3. **建立个人品牌与影响力&#xff…
阅读更多...
基于微信小程序的童装商城的设计与实现+ssm(lw+演示+源码+运行）

基于微信小程序的童装商城的设计与实现+ssm(lw+演示+源码+运行）

童装商城小程序 摘 要 随着移动应用技术的发展&#xff0c;越来越多的用户借助于移动手机、电脑完成生活中的事务&#xff0c;许多的传统行业也更加重视与互联网的结合&#xff0c;由于城镇人口的增加&#xff0c;人们去商场购物总是排着长长的队伍&#xff0c;对于时间紧的人…
阅读更多...
EfficientNet(2019)：基于复合缩放的自动化架构搜索高效网络！

EfficientNet(2019)：基于复合缩放的自动化架构搜索高效网络！

EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks EfficientNet&#xff1a;重新思考卷积神经网络的模型扩展 论文下载地址&#xff1a; https://arxiv.org/abs/1905.11946 学习笔记参考了这位大佬&#xff1a;https://blog.csdn.net/qq_37541097/ar…
阅读更多...
电脑装新硬盘怎么分区？简单又实用的方法

电脑装新硬盘怎么分区？简单又实用的方法

随着科技的日新月异&#xff0c;电脑硬件的升级换代已成为常态。当我们为电脑装上新的硬盘时&#xff0c;为了更高效地管理和使用这块硬盘&#xff0c;对其进行合理的分区就显得尤为重要。本文将详细介绍两种常见的分区方法&#xff0c;帮助大家轻松完成新硬盘的分区工作。 一、…
阅读更多...
uniapp组件封装和父子组件间通讯的介绍和详细案例

uniapp组件封装和父子组件间通讯的介绍和详细案例

Uniapp 是一个使用 Vue.js 开发跨平台应用的前端框架&#xff0c;组件封装和父子组件间通讯是其重要的特性之一。 一、组件封装 为什么要封装组件 提高代码的可维护性和可复用性。将特定功能封装成独立的组件&#xff0c;可以在不同的页面或项目中重复使用&#xff0c;减少代码…
阅读更多...
汽车保养BBBBBBBBBBB

汽车保养BBBBBBBBBBB

小保养就是机油和机滤&#xff0c;4s店比较贵&#xff0c;可以在京东上买机油&#xff0c;可以包安装 极护、磁护 两款机油配方不同&#xff0c;极护系列机油注入液钛配方&#xff0c;拥有特别的油膜自适应能力&#xff0c;在各种形式条件下均能有效减少金属间的直接接触&…
阅读更多...
浅谈Tair缓存的三种存储引擎MDB、LDB、RDB

浅谈Tair缓存的三种存储引擎MDB、LDB、RDB

文章目录 什么是TairTair的三种引擎对比1.MDB2.LDB3.RDB 什么是Tair Tair是阿里巴巴自主研发的高性能、分布式、可扩展、高可靠的 key/value 存储系统。 一般我们可能会认为是阿里开发的加强版Redis&#xff0c;支持双向数据同步&#xff0c;能够很好的支持缓存异地多中心&…
阅读更多...
最新文章

Copyright @ 2022~2023