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 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。