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。

pdfbox缺点：提取带有连续的空单元格的表格数据时，有格式丢失。

• tabula

重点介绍tabula，虽然底层也是用pdfbox实现的，但是经过封装后的tabula更适合提取复杂格式的表格。

同样的pdf表格，转换为csv后，是这样的：

　　　　　　　　　　　　　　　　　　output1.csv

可以说是完美还原了。

继续尝试转换其他格式的表格。

　　　　　　　　　　　　　　　　input2.pdf

　　　　　output2.csv

 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　input3.pdf

　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　output3.csv

测试结果：input1、input2基本可以还原，input3有部分差异，但通过BufferedReader读出来的值和pdf基本一致。

---

tabula的使用

1. 获取

　　1.1 获取源码

　　从https://github.com/tabulapdf/tabula-java下载tabula-java-master.zip，使用Eclipse将tabula打成jar包，然后将jar引用到自己的工程中。也可以直接下载tabula-1.0.2-jar-with-dependencies.jar到本地。

　　1.2 获取Windows客户端工具

　　从https://tabula.technology下载tabula-win-1.2.0.zip到本地，解压后运行tabula.exe即可使用。

2. 使用

　　2.1 解读README.md

## Usage Examples
`tabula-java` provides a command line application:
$ java -jar target/tabula-1.0.2-jar-with-dependencies.jar --help

usage: tabula [-a <AREA>] [-b <DIRECTORY>] [-c <COLUMNS>] [-d] [-f
       <FORMAT>] [-g] [-h] [-i] [-l] [-n] [-o <OUTFILE>] [-p <PAGES>] [-r]
       [-s <PASSWORD>] [-t] [-u] [-v]
Tabula helps you extract tables from PDFs

 -a,--area <AREA>           Portion of the page to analyze. Accepts top,
                            left,bottom,right.
                            Example: --area 269.875,12.75,790.5,561.
                            If all values are between 0-100 (inclusive)
                            and preceded by '%', input will be taken as
                            % of actual height or width of the page.
                            Example: --area %0,0,100,50.
                            To specify multiple areas, -a option should 
                            be repeated. Default is entire page
 -b,--batch <DIRECTORY>     Convert all .pdfs in the provided directory.
 -c,--columns <COLUMNS>     X coordinates of column boundaries. Example
                            --columns 10.1,20.2,30.3
 -d,--debug                 Print detected table areas instead of
                            processing.
 -f,--format <FORMAT>       Output format: (CSV,TSV,JSON). Default: CSV
 -g,--guess                 Guess the portion of the page to analyze per
                            page.
 -h,--help                  Print this help text.
 -i,--silent                Suppress all stderr output.
 -l,--lattice               Force PDF to be extracted using lattice-mode
                            extraction (if there are ruling lines
                            separating each cell, as in a PDF of an Excel
                            spreadsheet)
 -n,--no-spreadsheet        [Deprecated in favor of -t/--stream] Force PDF
                            not to be extracted using spreadsheet-style
                            extraction (if there are no ruling lines
                            separating each cell)
 -o,--outfile <OUTFILE>     Write output to <file> instead of STDOUT.
                            Default: -
 -p,--pages <PAGES>         Comma separated list of ranges, or all.
                            Examples: --pages 1-3,5-7, --pages 3 or
                            --pages all. Default is --pages 1
 -r,--spreadsheet           [Deprecated in favor of -l/--lattice] Force
                            PDF to be extracted using spreadsheet-style
                            extraction (if there are ruling lines
                            separating each cell, as in a PDF of an Excel
                            spreadsheet)
 -s,--password <PASSWORD>   Password to decrypt document. Default is empty
 -t,--stream                Force PDF to be extracted using stream-mode
                            extraction (if there are no ruling lines
                            separating each cell)
 -u,--use-line-returns      Use embedded line returns in cells. (Only in
                            spreadsheet mode.)
 -v,--version               Print version and exit.

其中一些附加参数可视情况选用。

-a：表示指定某个矩形区域，程序只会对此区域进行解析，类似pdfbox的PDFTextStripperByArea.addRegion()。-a后跟4个值，以逗号分隔。分别表示：

区域上边界到页面上边界的距离（或百分比）

区域左边界到页面左边界的距离（或百分比）

区域下边界到页面上边界的距离（或百分比）

区域右边界到页面左边界的距离（或百分比）

以%开头时表示百分比，比如-a %10,0,90,100。

-o：表示将结果输出到文件，后面跟文件路径

-p：表示提取指定页，后面跟数字，如果不指定则默认为1

-t：表示按流的方式提取，遇到合并单元格时使用

　　2.2 命令行运行

使用cmd命令行工具直接运行jar包

java -jar tabula-1.0.2.jar E:\tmp\input\input1.pdf -o E:\tmp\output\output1.csv

　　2.3 程序内调用

String cmd = "java -jar tabula-1.0.2.jar E:\tmp\input\input1.pdf -o E:\tmp\output\output1.csv";
Runtime.getRuntime().exec();