阅读PDF文件获取结构化格式的表格数据，

Question

我必须阅读一个pdf文件，其中包含一个包含多列的表格。使用iTextSharp我能够读取文件，但我得到一堆非格式文本。我无法构造数据，因此我可以插入到数据库中。

有什么建议吗？

Answer 1

我总结有没有直截了当的方式来做到这一点。至少以表格格式读取数据。我尝试了Mark提供的建议，但根据我的要求，似乎并不可行。

Answer 2

如果我理解正确，pdf文本就会被定位存储，所以它没有行或列的概念。这意味着您必须根据您从不同列中读取的“可能性”使用启发式。

您可以尝试通过比较单词之间的空间量来做到这一点。 （我不熟悉ITextSharp接口，所以请原谅我，如果我提到它无法使用的东西......我大多很熟悉pdfNet。

刚才找到的另一个想法是，如果文字具有视觉线索，如垂直线分隔的列。如果是这样的话，你应该能够拿出试探法来确定文本向左或列线的权利。

...

然而最好的事情，如果可能的，是得到啊以数据库友好的格式存储旧数据。从长远来看，这可能会挽救心痛。

贾森 -

Answer 3

除非它的结构化文本没有标签显示列。像PdfBox这样的工具可以'猜测'来尝试提取表格。

有文章解释为什么文本提取是如此难以在http://pdf.jpedal.org/java-pdf-blog/bid/12670/PDF-text