pdf文件内容格式比较特殊，目前根据实际观察发现pdf内容只是把源目标文件，一行一行读到pdf中，通过定位方式实现同版面展示，所以表格在pdf中表现形式比较特殊。
实现思路：
通过pdf内容识别，找到表格所属的页（只是提高一些速度，减少其他内容），然后将表格所在的页面截取到新的pdf文件中,然后将新生成的pdf转换为html文件，通过算法重新组装表格，此方法可识别空白列以及一个表格中存在多行数据的情况
用的技术框架：
jsoup，itextpdf，pdfbox
/**
* 读取pdf文件转为list集合
* @param pdfPath
* @return
*/
public static List> getDataFromPdf(String pdfPath){
List> datas=new ArrayList<>();
String newPdfPath=pdfPath.replace(".pdf","_01.pdf");
String htmlPath=pdfPath.replace(".pdf","_01.html");
//确认附件表格所在的页面，返回页码
int[] pageNums=readPdf(pdfPath);
//读取存在表格附件的页面
partitionPdfFile(pdfPath,newPdfPath,pageNums[0],pageNums[1]);
byte[] bytes = getBytes(newPdfPath);
try (BufferedWriter out = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(new File(htmlPath)),"UTF-8"));){
//加载PDF文档
PDDocument document = PDDocument.load(bytes);
PDFDomTree pdfDomTree = new PDFDomTree();
pdfDomTree.writeText(document,out);
datas=ParseHtml(htmlPath);
} catch (Exception e) {
e.printStackTrace();
}finally {
//删除缓存文件
File pdf_01=new File(newPdfPath);
if(pdf_01.exists()){
pdf_01.delete();
}
File html_01=new File(htmlPath);
if(html_01.exists()){
html_01.delete();
}
}
return datas;
}
/***
* 读取pdf 确定内容所在页
* @param pdfPath
*/
private static int[] readPdf(String pdfPath){
int[] pageNums=new int[2];
try {
PdfReader reader = new PdfReader(pdfPath);
int pageNum = reader.getNumberOfPages();
boolean isGo=false;
for(int i=1;i<=pageNum;i++){
String pageContent = PdfTextExtractor.getTextFromPage(reader, i);//读取第i页的文档内容
if((pageContent.trim().length()>0&&pageContent.startsWith("附件"))){
pageNums[0]=i;
isGo=true;
}
if(isGo&&pageContent.trim().length()<50){
pageNums[1]=i-1;
//break;
}
}
} catch (Exception e) {
e.printStackTrace();
}finally{
}
return pageNums;
}
/**
* pdf 转换为html
* @param html
* @return
* @throws IOException
*/
private static List> ParseHtml(String html) throws IOException {
org.jsoup.nodes.Document document = Jsoup.parse(new File(html), "utf-8");
Elements postItems = document.select("div.page");
//循环处理每页
List> datas=new ArrayList<>();
for (int i=0;i
下面是html的解析方式，通过边框定位，找到每一行每一列所处的位置一级在该位置所属的元素。
/**
* 从第二行开始（去除标题行）
* @param postItem
* @param table_col
* @param index
* @return
*/
private static List getRow(Element postItem,Elements postItems,Elements table_col,int index) {
String top = (process(postItems.get(index).attr("style"), "top"));
String bottom = (process(postItems.get(index + 1).attr("style"), "top"));
Elements tables = postItem.select("[style*=top:]");
List data = new ArrayList<>();
double dbottom = Double.parseDouble(bottom);
double dtop = Double.parseDouble(top);
boolean isGo = false;
for (int iiy = 0; iiy < table_col.size() - 1; iiy++) {
StringBuilder sbs = new StringBuilder();
for (Element spostItem : tables) {
String top2 = (process(spostItem.attr("style"), "top"));
double top2s = Double.parseDouble(top2);
if (top2s > dtop && top2s < dbottom) {
String left2 = (process(spostItem.attr("style"), "left"));
double[] cols = getRowCol(table_col, iiy);
double left2s = Double.parseDouble(left2);
if (left2s > cols[0] && left2s < cols[1]) {
sbs.append(spostItem.text());
}
}
}
if(sbs.length()==0) {
data.add("-");
}else{
data.add(sbs.toString());
}
}
return data;
}
/**
* 定位列的位置
* @param table_col
* @param index
* @return
*/
private static double[] getRowCol(Elements table_col,int index){
StringBuilder sbd=new StringBuilder();
String left=(process(table_col.get(index).attr("style"),"left"));
String right=(process(table_col.get(index+1).attr("style"),"left"));
return new double[]{Double.parseDouble(left),Double.parseDouble(right)};
}
/**
* 读取html中样式的指定属性
* @param style
* @param extract
* @return
*/
private static String process(String style,String extract) {
if (style.contains(extract)) {
style = style.substring(style.indexOf(extract+":"));
style = style.substring(0, style.indexOf(";"));
String attr = style.substring(style.indexOf(":") + 1);
return (attr.substring(0,attr.length()-2));
}
return null;
}
pom配置
com.itextpdf
itextpdf
5.5.13
org.jsoup
jsoup
1.12.1
commons-io
commons-io
2.5
org.apache.pdfbox
fontbox
2.0.0
com.itextpdf.tool
xmlworker
5.5.11
org.apache.poi
ooxml-schemas
1.1
