利用Java提取PDF表格到文本、CSV及excel工作表

更新時間：2024年09月26日 10:43:10 作者：Eiceblue

如何精準地提取PDF格式中嵌入的表格數(shù)據(jù),并將其無縫轉換為更加易于分析和操作的形式,是一項重要的文檔處理技巧,本文將介紹如何利用Java從PDF文檔提取表格數(shù)據(jù),并寫入文本文件、CSV文件以及Excel工作表,需要的朋友可以參考下

引言

如何精準地提取PDF格式中嵌入的表格數(shù)據(jù)，并將其無縫轉換為更加易于分析和操作的形式，如純文本、CSV文件或Excel工作表，是一項重要的文檔處理技巧。使用Java，我們可以簡單地實現(xiàn)這一過程。本文將介紹如何利用Java從PDF文檔提取表格數(shù)據(jù)，并寫入文本文件、CSV文件以及Excel工作表。

本文所使用的方法提取PDF表格主要需要免費的Free Spire.PDF for Java庫，可下載導入或通過Maven導入：

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

提取PDF表格需要用到庫中的PdfTableExtractor類。我們可以為載入的PDF文件創(chuàng)建PdfTableExtractor對象，然后使用PdfTableExtractor.extractTable()方法根據(jù)頁面在文檔中的參數(shù)提取指定PDF頁面上所有表格，最后再使用PdfTable.getText()方法即可獲取表格中的數(shù)據(jù)。以下是一般操作步驟示例：

創(chuàng)建PdfDocument對象并使用PdfDocument.loadFromFile()方法載入PDF文檔。
使用載入的PDF文檔創(chuàng)建PdfTableExtractor對象。
使用PdfTableExtractor.extractTable()方法提取每個頁面上的表格。
使用PdfTable.getText()方法獲取PDF表格的單元格數(shù)據(jù)。

使用上述方法獲取表格數(shù)據(jù)后，我們就可以將其寫入文本文件，或搭配其他工具制作CSV或Excel文件了。

提取PDF表格數(shù)據(jù)寫入文本文件

使用PdfTableExtractor.extractTable()方法提取表格并使用PdfTable.getText()方法獲取單元格數(shù)據(jù)后，我們可以通過構建字符串并寫入文本文件來實現(xiàn)提取表格并保存為文本文件的目的。以下是詳細操作步驟：

導入所需模塊。
創(chuàng)建PdfDocument對象并使用PdfDocument.loadFromFile()方法載入PDF文檔。
使用載入的PDF文檔創(chuàng)建PdfTableExtractor對象。
遍歷頁面，使用PdfTableExtractor.extractTable()方法提取每個頁面上的所有表格。
遍歷提取到的表格，為每個表格創(chuàng)建一個StringBuilder對象。
遍歷表格中的行和列，使用PdfTable.getText()方法獲取每個單元格的數(shù)據(jù)并去除換行符。然后將單元格數(shù)據(jù)添加到StringBuilder對象。
將StringBuilder對象寫入文本文件。
釋放資源。

代碼示例

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 從PDF中提取文本 {
    public static void main(String[] args) throws IOException {
        // 創(chuàng)建一個PdfDocument對象
        PdfDocument pdf = new PdfDocument();
        // 加載一個PDF文檔
        pdf.loadFromFile("Sample.pdf");

        // 創(chuàng)建一個PdfTableExtractor對象
        PdfTableExtractor extractor = new PdfTableExtractor(pdf);

        // 從每一頁中提取表格
        for (int pageIndex = 0; pageIndex < pdf.getPages().getCount(); pageIndex++) {
            PdfTable[] tables = extractor.extractTable(pageIndex);
            // 如果表格不為空，則遍歷表格
            if (tables != null) {
                for (int tableIndex = 0; tableIndex < tables.length; tableIndex++) {
                    PdfTable table = tables[tableIndex];
                    // 創(chuàng)建一個StringBuilder對象
                    StringBuilder tableText = new StringBuilder();
                    // 遍歷行和列
                    for (int rowIndex = 0; rowIndex < table.getRowCount(); rowIndex++) {
                        for (int colIndex = 0; colIndex < table.getColumnCount(); colIndex++) {
                            // 獲取單元格文本并移除換行符
                            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");
                            }
                        }
                    }
                    // 將表格寫入文本文件
                    try (FileWriter writer = new FileWriter("output/Tables/Page" + (pageIndex+1) + "-Table" + (tableIndex+1) + ".txt")) {
                        writer.write(tableText.toString());
                    }
                }
            }
        }
    }
}

提取結果

提取PDF表格數(shù)據(jù)寫入CSV文件

我們也可以用同樣的方法提取表格數(shù)據(jù)，然后搭配其他模塊，如opencsv，將提取到的數(shù)據(jù)寫入CSV文件。也可以使用下面的提取PDF表格寫入Excel文件，最后保存時保存為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表格數(shù)據(jù)并寫入CSV文件的操作步驟：

導入所需模塊。
創(chuàng)建PdfDocument對象并使用PdfDocument.loadFromFile()方法載入PDF文檔。
使用載入的PDF文檔創(chuàng)建PdfTableExtractor對象。
歷頁面面，使用PdfTableExtractor.extractTable()方法提取每個頁面上的所有表格。
遍歷提取的表格，并構建CSV文件名。
創(chuàng)建CSVWriter對象，遍歷表格行以及行中的列，使用PdfTable.getText()方法獲取每個單元格的數(shù)據(jù)并去除換行符，將提取的每行表格數(shù)據(jù)構建為字符串列表。最后將字符串列表寫入為CSV數(shù)據(jù)行。
釋放資源。

代碼示例

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 從PDF表格提取到CSV {
    public static void main(String[] args) throws IOException {
        // 創(chuàng)建一個PdfDocument對象
        PdfDocument pdf = new PdfDocument();
        // 加載一個PDF文檔
        pdf.loadFromFile("Sample.pdf");

        // 創(chuàng)建一個PdfTableExtractor對象
        PdfTableExtractor extractor = new PdfTableExtractor(pdf);

        // 從每一頁中提取表格
        for (int pageIndex = 0; pageIndex < pdf.getPages().getCount(); pageIndex++) {
            PdfTable[] tables = extractor.extractTable(pageIndex);
            // 如果表格不為空，則遍歷表格
            if (tables != null) {
                for (int tableIndex = 0; tableIndex < tables.length; tableIndex++) {
                    PdfTable table = tables[tableIndex];
                    // 創(chuàng)建CSV文件名
                    String csvFileName = "output/Tables/Page" + (pageIndex + 1) + "-Table" + (tableIndex + 1) + ".csv";
                    // 創(chuàng)建一個CSVWriter對象
                    try (CSVWriter writer = new CSVWriter(new FileWriter(csvFileName))) {
                        // 遍歷行和列
                        for (int rowIndex = 0; rowIndex < table.getRowCount(); rowIndex++) {
                            String[] row = new String[table.getColumnCount()];
                            for (int colIndex = 0; colIndex < table.getColumnCount(); colIndex++) {
                                // 獲取單元格文本并移除換行符
                                String cellText = table.getText(rowIndex, colIndex).replaceAll("\\r?\\n", "");
                                row[colIndex] = cellText;
                            }
                            // 將行寫入CSV文件
                            writer.writeNext(row);
                        }
                    }
                }
            }
        }
        // 關閉PDF文檔
        pdf.close();
    }
}

提取結果

提取PDF表格數(shù)據(jù)寫入Excel文件

保存PDF表格到表格需要用到Free Spire.XLS for Java。我們可以提取到PDF文檔表格單元格數(shù)據(jù)后，使用Worksheet.getRange().setText()方法將數(shù)據(jù)寫入到創(chuàng)建的Excel工作表的相應單元格并保存，從而實現(xiàn)PDF表格數(shù)據(jù)到Excel文件的提取。同時，我們還可以在保存文件時將格式參數(shù)設置為CSV，實現(xiàn)PDF表格數(shù)據(jù)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>

以下是詳細操作步驟：

導入所需模塊。
創(chuàng)建PdfDocument對象并使用PdfDocument.loadFromFile()方法載入PDF文檔。
創(chuàng)建Workbook對象，并使用Workbook.getWorksheets().clear()方法清除默認工作表。
使用載入的PDF文檔創(chuàng)建PdfTableExtractor對象。
歷頁面面，使用PdfTableExtractor.extractTable()方法提取每個頁面上的所有表格。
遍歷提取的表格，使用Workbook.getWorksheets().add()方法為每個表格創(chuàng)建一個指定名稱的工作表。
遍歷表格行和列，使用PdfTable.getText()方法獲取每個單元格的數(shù)據(jù)并去除換行符，然后使用Worksheet.getRange().setText()方法將單元格數(shù)據(jù)寫入到工作表的相應單元格。
設置工作表單元格的格式。
使用Worksheet.autoFitRow()和Worksheet.autoFitColumn()方法自動調整行高和列寬。
可以使用Worksheet.saveToFile()方法將工作表保存為CSV文件。
使用Workbook.saveToFile()方法保存工作簿為Excel文件。
釋放資源。

代碼示例

import com.spire.pdf.PdfDocument;
import com.spire.pdf.utilities.PdfTable;
import com.spire.pdf.utilities.PdfTableExtractor;
import com.spire.xls.*;

public class 從PDF表格提取到Excel {
    public static void main(String[] args) {
        // 創(chuàng)建一個PdfDocument對象
        PdfDocument pdf = new PdfDocument();
        // 加載一個PDF文檔
        pdf.loadFromFile("G:/Documents/Sample73.pdf");

        // 創(chuàng)建一個Workbook對象
        Workbook workbook = new Workbook();
        workbook.getWorksheets().clear();

        // 創(chuàng)建一個PdfTableExtractor對象
        PdfTableExtractor extractor = new PdfTableExtractor(pdf);

        // 從每一頁中提取表格
        for (int pageIndex = 0; pageIndex < pdf.getPages().getCount(); pageIndex++) {
            PdfTable[] tables = extractor.extractTable(pageIndex);
            // 如果表格不為空，則遍歷表格
            if (tables != null) {
                for (int tableIndex = 0; tableIndex < tables.length; tableIndex++) {
                    // 向工作簿中添加一個工作表
                    Worksheet sheet = workbook.getWorksheets().add("Page" + (pageIndex + 1) + "-Table" + (tableIndex + 1));
                    // 遍歷表格中的行和列
                    for (int rowIndex = 0; rowIndex < tables[tableIndex].getRowCount(); rowIndex++) {
                        for (int colIndex = 0; colIndex < tables[tableIndex].getColumnCount(); colIndex++) {
                            // 獲取單元格文本并移除換行符
                            String cellText = tables[tableIndex].getText(rowIndex, colIndex).replaceAll("\\r|\\n", "");
                            // 將單元格文本寫入工作表
                            sheet.getCellRange(rowIndex+1, colIndex+1).setText(cellText);
                        }
                    }
                    // 設置單元格樣式
                    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);
                    }
                    // 自動調整行和列
                    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);
                    }
                    // 保存工作表為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");
        // 關閉PDF文檔
        pdf.close();
        // 釋放工作簿資源
        workbook.dispose();
    }
}

提取結果