一、PDF數據抽取的基礎認識
從PDF中抽取數據是PDF處理中的重要部分，因為PDF格式的可讀性強和顏值高，默認情況下無法直接修改和複製。PDF庫通常以文本塊或文本流的形式提供抽取功能，這些數據需要進一步解析和格式化才能導出。PDF數據抽取的目的是轉換和重用PDF中的數據，如將PDF轉換成Excel等格式。
Java語言是適用於各種類型的應用程序開發的功能強大的編程語言。同時由於Java本身擁有大量的類庫和豐富的第三方類庫支持，因此在PDF數據抽取上Java有著廣泛的應用和深入的研究。
二、PDF數據抽取的實現
PDF 抽取需要解決兩個基本問題：如何定位和提取任意的 PDF 網格，以及如何將提取的數據格式化為可讀的文本。 PDF 數據抽取分為文本抽取和表格抽取兩個部分。
1. 文本抽取
文本抽取通常用於提取 PDF 的摘要部分，如頁面標題和作者名稱，或對頁面的全文內容進行提取。可以通過基於流和基於位置的策略進行，但如果PDF中存在多個嵌入式字體，這種方法的效果就不盡如人意。
PDFBox是一種基於Java的開源庫，可以實現文本抽取功能，依賴於PdfTextStripper。以下是一個使用PDFBox進行文本抽取的示例代碼：
PDDocument document = PDDocument.load(new File("pdf.pdf"));
PDFTextStripper textStripper = new PDFTextStripper();
String content = textStripper.getText(document);
2. 表格抽取
表格抽取通常是將PDF中的表格轉換為Excel中的格式。PDF中的表格往往是以文字和線框的形式呈現。表格抽取需要將PDF中某個區域內的單元格識別和分離出來，然後建立表格模型，進一步將表格模型轉換為目標格式。
一種常見的表格抽取方法是基於區域的方法，即將頁面劃分為不同的區域，每個區域包含表格單元以及與表格單元相關的字元和線條。之後需要將每個區域提取為一個表格模型，再將多個模型合併為一個表格。TET（Text Extraction Toolkit）正是一個基於區域的表格抽取工具，在Java中通過iText庫實現。以下是使用TET進行表格抽取的示例代碼：
import java.io.IOException;
import java.util.List;
import javax.xml.parsers.ParserConfigurationException;
import org.fit.pdfdom.PDFDomTree;
import org.pdfbox.pdmodel.PDDocument;
import org.pdfbox.pdmodel.PDPage;
import org.pdfbox.util.PDFTextStripperByArea;
import org.xml.sax.SAXException;
public class PDFTableExtract {
public static void main(String[] args) throws ParserConfigurationException, SAXException, IOException {
PDFDomTree domTree = new PDFDomTree();
PDDocument document = PDDocument.load(new File("pdf.pdf"));
List allPages = document.getDocumentCatalog().getAllPages();
for (int pageNum = 0; pageNum < allPages.size(); pageNum++) {
PDPage page = (PDPage)allPages.get(pageNum);
PDFTextStripperByArea stripper = new PDFTextStripperByArea();
stripper.setSortByPosition(true);
// PDF中都是默認左下角為坐標原點，計算頂部和底部會比較麻煩
// 工具類PDFLayoutTextStripperByArea可以方便地通過百分比計算
float height = page.getMediaBox().getHeight();
float width = page.getMediaBox().getWidth();
stripper.addRegion("cell1", new RectangleF(0.5f, height - 56f, left2, height - 14f, 3)));
stripper.addRegion("cell2", new RectangleF(1.5f, height - 56f, left3, height - 14f, 3)));
stripper.addRegion("cell3", new RectangleF(2.5f, height - 56f, left4, height - 14f, 3)));
stripper.extractRegions(page);
ResultSet rs = createRecord();
rs.moveToInsertRow();
rs.updateString("ID", "1");
rs.updateString("CELL1", stripper.getTextForRegion("cell1"));
rs.updateString("CELL2", stripper.getTextForRegion("cell2"));
rs.updateString("CELL3", stripper.getTextForRegion("cell3"));
rs.insertRow();
}
document.close();
}
}
三、PDF轉Excel實現
PDF 提取工具可以將 抽取 文本或表格到 XML 或 JSON 文件中，然後使用 Apache POI 等 API 依據 XML 或 Json 文件將數據轉成 Excel。 Apache POI（Poor Obfuscation Implementation）是一個開源的 Java API，可以處理 Microsoft Office 格式的文檔。下面是將PDF轉換成Excel的示例代碼：
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.IOException;
import java.util.Iterator;
import org.apache.poi.hssf.usermodel.HSSFCell;
import org.apache.poi.hssf.usermodel.HSSFRow;
import org.apache.poi.hssf.usermodel.HSSFSheet;
import org.apache.poi.hssf.usermodel.HSSFWorkbook;
import org.json.JSONException;
import com.itextpdf.text.DocumentException;
import org.json.JSONArray;
import org.json.JSONObject;
public class PDF2Excel {
@SuppressWarnings("resource")
public static void main(String[] args) throws IOException, JSONException, DocumentException {
//讀取json數據
String filepath = "data.json";
String jsonData = new String(Files.readAllBytes(Paths.get(filepath)));
JSONObject json = new JSONObject(jsonData);
JSONArray jsonArray = json.getJSONArray("rows");
//創建Excel文檔對象並設置基本屬性
HSSFWorkbook workbook = new HSSFWorkbook();
HSSFSheet sheet = workbook.createSheet("sheet1");
Iterator rowIter = jsonArray.iterator();
int rowNum = 0;
while (rowIter.hasNext()) {
HSSFRow row = sheet.createRow(rowNum);
JSONObject rowJson = (JSONObject) rowIter.next();
Iterator cellIter = rowJson.keys();
int cellNum = 0;
while (cellIter.hasNext()) {
String cellData = rowJson.getString((String) cellIter.next());
HSSFCell cell = row.createCell(cellNum++);
cell.setCellValue(cellData);
}
rowNum++;
}
FileOutputStream fileOutputStream = new FileOutputStream("output.xls");
workbook.write(fileOutputStream);
}
}
四、結論
PDF在很多場合用起來都很方便，但是需要將PDF轉換成Excel等格式進行數據分析，各種PDF轉換工具就顯得尤為重要。本文藉助Java語言以及PDFBox,iText和POI等Java類庫，分別實現了文本和表格的PDF數據抽取並最終將PDF轉換成Excel的過程。希望對使用Java進行PDF數據抽取的開發者有所幫助。
原創文章，作者：GCYD，如若轉載，請註明出處：https://www.506064.com/zh-tw/n/131470.html
微信掃一掃 
支付寶掃一掃 