Java PDFBox：提取文本时保持PDF结构

我试图从一个充满表格的PDF中提取文本。 在某些情况下，列是空的。 当我从PDF中提取文本时，空白列被跳过并替换为空白，因此，我的常规表达式无法确定此处是否存在没有信息的列

更好地理解图像：

我们可以看到，这些列在提取的文本中不受尊重

从PDF中提取文本的代码示例：

PDFTextStripper reader = new PDFTextStripper();
            reader.setSortByPosition(true);
            reader.setStartPage(page);
            reader.setEndPage(page);
            String st = reader.getText(document);
            List<String> lines = Arrays.asList(st.split(System.getProperty("line.separator")));

PDFTextStripper读取器=新的PDFTextStripper（）；
reader.setSortByPosition（真）；
reader.setStartPage（第页）；
reader.setEndPage（第页）；
String st=reader.getText（文档）；
List line=Arrays.asList（st.split（System.getProperty（“line.separator”））；

如何在从原始PDF中提取文本时保持其完整结构

非常感谢。

（这原本是OP删除的部分，包括所有答案。由于年代久远，答案中的代码仍然基于PDFBox 1.8.x，因此可能需要进行一些更改以使其与PDFBox 2.0.x一起运行。）

在评论中，OP对扩展PDFBox

PDFTextStripper

以返回文本行的解决方案表示了兴趣，这些文本行试图反映PDF文件布局，这可能有助于解决手头的问题

这一类的概念证明如下：

public class LayoutTextStripper extends PDFTextStripper
{
    public LayoutTextStripper() throws IOException
    {
        super();
    }

    @Override
    protected void startPage(PDPage page) throws IOException
    {
        super.startPage(page);
        cropBox = page.findCropBox();
        pageLeft = cropBox.getLowerLeftX();
        beginLine();
    }

    @Override
    protected void writeString(String text, List<TextPosition> textPositions) throws IOException
    {
        float recentEnd = 0;
        for (TextPosition textPosition: textPositions)
        {
            String textHere = textPosition.getCharacter();
            if (textHere.trim().length() == 0)
                continue;

            float start = textPosition.getTextPos().getXPosition();
            boolean spacePresent = endsWithWS | textHere.startsWith(" ");

            if (needsWS | spacePresent | Math.abs(start - recentEnd) > 1)
            {
                int spacesToInsert = insertSpaces(chars, start, needsWS & !spacePresent);

                for (; spacesToInsert > 0; spacesToInsert--)
                {
                    writeString(" ");
                    chars++;
                }
            }

            writeString(textHere);
            chars += textHere.length();

            needsWS = false;
            endsWithWS = textHere.endsWith(" ");
            try
            {
                recentEnd = getEndX(textPosition);
            }
            catch (IllegalArgumentException | IllegalAccessException | NoSuchFieldException | SecurityException e)
            {
                throw new IOException("Failure retrieving endX of TextPosition", e);
            }
        }
    }

    @Override
    protected void writeLineSeparator() throws IOException
    {
        super.writeLineSeparator();
        beginLine();
    }

    @Override
    protected void writeWordSeparator() throws IOException
    {
        needsWS = true;
    }

    void beginLine()
    {
        endsWithWS = true;
        needsWS = false;
        chars = 0;
    }

    int insertSpaces(int charsInLineAlready, float chunkStart, boolean spaceRequired)
    {
        int indexNow = charsInLineAlready;
        int indexToBe = (int)((chunkStart - pageLeft) / fixedCharWidth);
        int spacesToInsert = indexToBe - indexNow;
        if (spacesToInsert < 1 && spaceRequired)
            spacesToInsert = 1;

        return spacesToInsert;
    }

    float getEndX(TextPosition textPosition) throws IllegalArgumentException, IllegalAccessException, NoSuchFieldException, SecurityException
    {
        Field field = textPosition.getClass().getDeclaredField("endX");
        field.setAccessible(true);
        return field.getFloat(textPosition);
    }

    public float fixedCharWidth = 3;

    boolean endsWithWS = true;
    boolean needsWS = false;
    int chars = 0;

    PDRectangle cropBox = null;
    float pageLeft = 0;
}

fixedCharWidth

是假定的字符宽度。根据所讨论的PDF中的文字，不同的值可能更合适。在我的示例文档中，3..6的值很有趣

它本质上模拟了中的iText的类似解决方案。不过，结果略有不同，因为iText文本提取转发文本块，PDFBox文本提取转发单个字符

---

请注意，这只是一个概念证明。它尤其不考虑任何旋转

尝试一个类似tabla java的工具，它位于PDFBox之上。PDFBox不会尝试识别表。或者，如果您感兴趣的是

PDFTextStripper

的一个变体，它试图在PDF中存在较大间隙的地方插入额外的空格，我将使用这种变体进行复制。@mkl您的解决方案可能会有所帮助。如果添加的额外空格总是相同的（就字符数而言），它就可以完成这项工作。您的解决方案非常有效。它需要进行一些转换，以匹配我使用的PDBox版本，但第一次运行是有希望的。结构与原始PDF几乎相同。如果有更好的解决方案，我会使用这个解决方案。非常感谢使用

LayoutTextStripper

的解决方案对我的应用程序很有用。但是，有时我会收到像“姓名和地址”这样的文本，比如“姓名和地址”——单词之间缺少一些空格。我正在使用PDFBox 2.0.13。我该怎么做才能正确获得它（我是第一次使用PDFBox，我对使用版本2运行的代码所做的更改可能会导致错误）？谢谢你的建议。好的，我找到了一个适用于PDFBox 2.x的工作版本。正如回答中提到的，它提供了概念证明，所以一些细节可能仍然很粗糙。我认为更改（降低）fixedCharWidth值可能有助于上面的代码。

PDDocument document = PDDocument.load(PDF);

LayoutTextStripper stripper = new LayoutTextStripper();
stripper.setSortByPosition(true);
stripper.fixedCharWidth = charWidth; // e.g. 5

String text = stripper.getText(document);