PDFBox：テーブルからのデータの抽出

Question

pdfboxを使用してPDF内のテーブルからデータを抽出するにはどうすればよいですか？

このプロセスでは、PDContentStreamクラスとPageStripperクラスを使用して、テキストとコンテンツのインデックスを見つけることができます。テーブル内の行のインデックスを見つける必要があります。

私は、テキストの開始インデックスを抽出するための次のことを試してみました：

public class Tables { 
    public static void main(String args[]) throws IOException{ 
     BufferedWriter wr; 
     File input = new File("test.pdf"); 
     File output = new File("SampleText.txt"); 
     PDDocument pd=new PDDocument(); 
     pd=PDDocument.load(input); 

     //  PDFTextStripper pds=new PDFTextStripper(); 
     //  String text=pds.getText(pd); 
     PDFTextStripper stripper = new PDFTextStripper() 
     { 
      @Override 
      protected void startPage(PDPage page) throws IOException 
      { 
       startOfLine = true; 
       super.startPage(page); 
      } 

      @Override 
      protected void writeLineSeparator() throws IOException 
      { 
       startOfLine = true; 
       super.writeLineSeparator(); 
      } 

      @Override 
      protected void writeString(String text, List<TextPosition> textPositions) throws IOException 
      { 
       if (startOfLine) 
       { 
        TextPosition firstProsition = textPositions.get(0); 
        writeString(String.format("[%s]", firstProsition.getYDirAdj())); 
        startOfLine = false; 
       } 
       super.writeString(text, textPositions); 
      } 
      boolean startOfLine = true; 
     }; 
     wr = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(output))); 
     stripper.writeText(pd, wr); 
     if (pd != null) { 
      pd.close(); 
     } 
     // I use close() to flush the stream. 
     wr.close(); 
    } 
} 

Answer 1

最近私はテーブルからデータを抽出するために持っていた同様のプロジェクトをしました。

1）あなたが（それはPDFファイルからテーブルを抽出するためのオープンソースのツールである）タブラを使用することができます - ：

あなたはここに2つのオプションがあります。 http://tabula.technology/ https://github.com/tabulapdf/tabula コードでtabulaコマンドラインツールを使用して、特定の地域からデータを抽出することができます。

2）表形式のデータを抽出するための独自のアルゴリズムを考案する必要があります。 2番目のオプションを使用する場合は、テキストの座標も抽出する必要があります。あなたはpdfTextStripperクラスのwritestringメソッドをオーバーライドすることができます（あなたはこれについてgoogleすることができます）。次に、これらの情報を使用して必要な詳細を取得する方法について考える必要があります。 （調整は非常に役に立ちます）。

標準形式のpdfをお持ちの場合、あまり関係ないのでtabulaを使用することをお勧めします。