提取PDF中的表格，按行列生成JSON数据，识别率100%

2024-07-16 21:09| 来源: 网络整理| 查看: 265

如果仅仅是提取PDF中的内容，基本没有难度，我后续会再写一篇博客来讨论提取内容。但是如果提取PDF中的表格，并按行列输出为JSON返回则并不简单，网上有很多资料，Github上同样也有一些，但是基本都是扯淡的。本文以在实际项目中使用的PDF提取程序为例，来介绍如何从PDF中提取表格数据，并按行列返回。

PDF中存在的内容可能有以下几种： 1.清晰无任何杂质的表格。 2.带有水印的文字表格 3.全部由图片组成的表格

其中第一种、第二种均比较容易实现，第三种需要将PDF中图片转存为图片，然后通过Tesseract进行识别提取。关于Tesseract识别提取的，在我的后续文章中会介绍，本文仅讨论前两种情况。

本文所采用的思想是首先对PDF进行预处理，如果含有水印，则去除水印（有水印会影响提取出的内容不正确。），然后将PDF输出为Excel，通过对Excel进行解析返回JSON数据。

下面的额代码检测了PDF中是否包含水印，如果包含水印，则去除水印：

Table execute() throws Exception { if (Objects.isNull(pdfPath)) { throw new IOException("PDF path is null, file doesnot exist"); } File pdfFile = new File(pdfPath); if (!pdfFile.exists()) { throw new IOException("PDF doesnot exist:" + pdfFile.getPath()); } // 创建一个临时工作目录 File tempFolder = Utils.createTempWorkFolder(); String convertedPdfPath = pdfPath; PDDocument document = PDDocument.load(new File(pdfPath)); try { watermarkRemover.init(document); if (watermarkRemover.isWatermarkPDF()) { // 尝试去除水印 watermarkRemover.removeWatermark(); // 创建一个临时PDF文件 convertedPdfPath = Utils.createTempFileName(tempFolder, null, "pdf"); // 转存pdf为临时文件 document.save(convertedPdfPath); } // 针对PDF文件导出为Excel File[] convertedExcels = Utils.pdf2Excel(document, tempFolder, convertedPdfPath); // 对转换后的excel文件进行分析 Table table = parseExcel(convertedExcels); // 删除全部临时目录 Utils.deleteFile(tempFolder); return table; } finally { document.close(); } }

那么如何将PDF解析为Excel呢？本文中引入了tabula类库，pom.xml中添加依赖如下：

technology.tabula tabula 1.0.5

在Java中将PDF转换为Excel代码如下：

/** * 转换PDF为Excel * * @description * @param pdfDocument * @param workFolder * @param convertedPdfPath * @return * @throws Exception */ public static File[] pdf2Excel(PDDocument pdfDocument, File workFolder, String convertedPdfPath) throws Exception { if (pdfDocument.getNumberOfPages() == 0) { throw new Exception("PDF file is empty : page count is 0"); } File[] converted = new File[pdfDocument.getNumberOfPages()]; for (int i = 1; i

【本文地址】

公司简介

联系我们