首页 新闻 搜索 专区 学院

怎么用java读取pdf中的表格

0
悬赏园豆:100 [已解决问题] 解决于 2017-01-19 13:30

如题 。注:不要http://blog.csdn.net/bacoder/article/details/43536157这个地址上的答案。这个方法编译都通不过

小白江红的主页 小白江红 | 初学一级 | 园豆:106
提问于:2017-01-18 09:14
< >
分享
最佳答案
0

编译不通过要看不通过的原因,这个工具应该是可以读取pdf里面表格的。

http://pdfbox.apache.org/download.cgi

收获园豆:100
ycyzharry | 高人七级 |园豆:23921 | 2017-01-18 10:19

不通过的原因我觉得是和jar包的版本有关。另外的话由于看不到底层封装的逻辑,我没办法进行底层了解。还有就是pdfbox这个jar主要处理的是文字和图像信息,针对于表格这块,貌似并不给力

小白江红 | 园豆:106 (初学一级) | 2017-01-18 12:03
其他回答(3)
0

看看这个工具有没有用,Apache Tika,主要用来解析各种类型的文档。

创心coder | 园豆:736 (小虾三级) | 2017-01-18 09:47
0

ITEXT插件方法

/**
 * @param pdf PDF文件路径
 * @param txt 输出文本文件路径
 * @throws IOException
 */
public void parsePdf(String pdf, String txt) throws IOException {
    PdfReader reader = new PdfReader(pdf);
    PrintWriter out = new PrintWriter(new FileOutputStream(txt));
    Rectangle rect = new Rectangle(70, 80, 490, 580);
    RenderFilter filter = new RegionTextRenderFilter(rect);
    TextExtractionStrategy strategy;
    for (int i = 1; i <= reader.getNumberOfPages(); i++) {
        strategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), filter);
        out.println(PdfTextExtractor.getTextFromPage(reader, i, strategy));
    }
    out.flush();
    out.close();
    reader.close();
}

PDFBOX插件方法

PDDocument document = PDDocument.load( args[0] );
if( document.isEncrypted() )
{
    document.decrypt( "" );
}
PDFTextStripperByArea stripper = new PDFTextStripperByArea();
stripper.setSortByPosition( true );
Rectangle rect = new Rectangle( 10, 280, 275, 60 );
stripper.addRegion( "class1", rect );
List allPages = document.getDocumentCatalog().getAllPages();
PDPage firstPage = (PDPage)allPages.get( 0 );
stripper.extractRegions( firstPage );
System.out.println( "Text in the area:" + rect );
System.out.println( stripper.getTextForRegion( "class1" ) );

 

CaiYongji | 园豆:1267 (小虾三级) | 2017-01-18 14:22

 你的第二个pdfbox方法我试过。List allPages = document.getDocumentCatalog().getAllPages();

这句话编译通不过的。为什么获取的是一个List对象

 

支持(0) 反对(0) 小白江红 | 园豆:106 (初学一级) | 2017-01-18 14:27

@小白江红: 你可以确认下pdfbox的版本,可能新的包里把这个deprecated了,或者查下pdfbox的官方api

支持(0) 反对(0) CaiYongji | 园豆:1267 (小虾三级) | 2017-01-18 14:30

@CaiYongji: 我试过pdfbos最新的2.0.4和以前通用的1.8.4  好像都不行

支持(0) 反对(0) 小白江红 | 园豆:106 (初学一级) | 2017-01-19 10:31

@小白江红: 

List allPages = (List) document.getDocumentCatalog().getPages();

 

支持(0) 反对(0) CaiYongji | 园豆:1267 (小虾三级) | 2017-01-19 11:27

@CaiYongji: 这样编译没问题了 可是运行的时候会报类型转换异常,说不能转换为list 类型

支持(0) 反对(0) 小白江红 | 园豆:106 (初学一级) | 2017-01-19 11:30

@小白江红: 刚刚手写,亲测通过。

import java.awt.Rectangle;
import java.io.File;

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.PDPageTree;
import org.apache.pdfbox.text.PDFTextStripperByArea;

/**
 * @author caiyongji
 *
 */
public class TestMain {
    public static void main(String[] args) throws Exception{
        PDDocument document = PDDocument.load(new File("C:\\TEST\\RAND_TR649.1.pdf"));
        PDFTextStripperByArea stripper = new PDFTextStripperByArea();
        stripper.setSortByPosition( true );
        Rectangle rect = new Rectangle( 10, 280, 275, 60 );
        stripper.addRegion( "class1", rect );
        PDPageTree allPages = document.getDocumentCatalog().getPages();
        PDPage firstPage = (PDPage)allPages.get( 0 );
        stripper.extractRegions( firstPage );
        System.out.println( "Text in the area:" + rect );
        System.out.println( stripper.getTextForRegion( "class1" ) );
    }
}
支持(0) 反对(0) CaiYongji | 园豆:1267 (小虾三级) | 2017-01-19 11:42

@CaiYongji: 东西能出来吗?效果怎么样?还有就是你用的什么版本的jar包

支持(0) 反对(0) 小白江红 | 园豆:106 (初学一级) | 2017-01-19 12:48

@小白江红:

  • 能出来,是Rectangle rect = new Rectangle( 10, 280, 275, 60 );这个区域里的所有文字。
  • 2.0.4版本
  • 下面是控制台信息,[]是文字区域,标红的是pdf内的内容

Text in the area:java.awt.Rectangle[x=10,y=280,width=275,height=60]
POPULATION AND AGING organization provi
PUBLIC SAFETY solutions that addre
SCIENCE AND TECHNOLOGY
and private sectors

支持(0) 反对(0) CaiYongji | 园豆:1267 (小虾三级) | 2017-01-19 13:10

@CaiYongji: 

支持(0) 反对(0) 小白江红 | 园豆:106 (初学一级) | 2017-01-19 13:24

@小白江红: 恭喜!

支持(0) 反对(0) CaiYongji | 园豆:1267 (小虾三级) | 2017-01-19 13:25

@CaiYongji: 第一张是原始的PDF  第二张是效果图。你看第二行的一二三四五,它与上面的礼拜的位置发生了变化,无法一一对应。这个效果和PDF直接读取文本信息的效果是一样的

支持(0) 反对(0) 小白江红 | 园豆:106 (初学一级) | 2017-01-19 13:26

@小白江红: 理论上就是这样的结果。至于间距样式就不是pdfbox所关心的了,你需要把数据显示到其他地方。本身控制台就不存在样式

支持(0) 反对(0) CaiYongji | 园豆:1267 (小虾三级) | 2017-01-19 13:28

@CaiYongji: 这样的效果我直接用PDFbox的文本读取方法就可以做到的。看来pdfbox还做不到那么人性化。谢谢你啊

支持(0) 反对(0) 小白江红 | 园豆:106 (初学一级) | 2017-01-19 13:30

@小白江红: 不客气。其实,我推荐你去看他的官方文档,对你更有帮助。

支持(0) 反对(0) CaiYongji | 园豆:1267 (小虾三级) | 2017-01-19 13:32

@CaiYongji: 我分给错人了 不好意思啊   手残党

支持(0) 反对(0) 小白江红 | 园豆:106 (初学一级) | 2017-01-19 13:33

@小白江红: 小事儿!

支持(0) 反对(0) CaiYongji | 园豆:1267 (小虾三级) | 2017-01-19 13:39

@小白江红: 你好,请问你是怎么处理的呀,我也用的pdfbox提取的表格中的内容,不过因为表格中的内容中有换行符,导致提取处理的内容错位,无法精确比对差异的地方是第几页第几行

支持(0) 反对(0) 改变从现在 | 园豆:200 (初学一级) | 2017-10-25 20:13

@小白江红: 现在有个项目需要详细比对两个pdf文档内容是否相同,具体的差异有哪些,然后用pdfbox写到java代码,但是上面那个问题总是无法解决。我用的是pdfbox1.8 版本的,请问大神能提示下如何解决表格中有换行符导致的错位问题吗,这边急需。谢谢!

支持(0) 反对(0) 改变从现在 | 园豆:200 (初学一级) | 2017-10-25 20:16

@CaiYongji: 我今天试了下,发现stripper中没有addRegion()的方法呀,请告知?

支持(0) 反对(0) 改变从现在 | 园豆:200 (初学一级) | 2017-10-25 20:17

@小白江红: 如果PDF表格中有空格  读取到EXCel  怎么解决

支持(0) 反对(0) 小雨点7901 | 园豆:200 (初学一级) | 2017-11-18 09:42
0
KeepLearning_88 | 园豆:222 (菜鸟二级) | 2021-10-21 16:27
清除回答草稿
   您需要登录以后才能回答,未注册用户请先注册