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
其中,pdfbox能将pdf中的内容直接提取成String,代码片段:
public static void readPdf(String path) {
try {
PDDocument document = PDDocument.load(new File(path));
PDFTextStripper textStripper = new PDFTextStripper();
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)。
input1.pdf
转换为String后是这样的:
pdfbox优点:方便快捷,使用简单,maven添加依赖后,使用PDFTextStripper.getText()即可提取文本。