Java 如何在使用PDFBox从PDF提取数据时用单词替换空格

我想用一个词替换任何空列；例如，在提取Pdf数据时使用单词BLK

下表是预期表和实际结果的示例

原始表格

+--------------------------------------+
|# |NAME        |TEL        |GENDER    |
|---------------------------|----------|
|1 |JOHN        |096587498  |M         |
|2 |VILLA       |           |F         |
+--------------------------------------+

预期结果

# NAME TEL GENDER
1 JOHN 096587498 M
2 VILLA BLK F

# NAME TEL GENDER
1 JOHN 096587498 M
2 VILLA F

实际结果

# NAME TEL GENDER
1 JOHN 096587498 M
2 VILLA BLK F

# NAME TEL GENDER
1 JOHN 096587498 M
2 VILLA F

实际结果来自类PDFTextStripper

捕获pdf

---

PDFTextStripper看不到PDF中的图形行，它只看到文本字符。因此，在您的第2行中，可以看到“2”、“Villa”和“F”之间有间隙。因此，单凭这门课，你不会得到你想要的

通常，使用PDFBox可以使用以下选项：

• 您可以首先尝试通过解析页面的矢量图形指令来识别PDF中的表格单元格区域，然后逐个单元格提取文本单元格
  为此提供了概念证明。注意：这个答案集中在该问题的OP提供的示例文档上。特别是，它期望线被绘制为薄填充矩形；对于一般解决方案，需要扩展收集表行的代码，以便识别以其他方式绘制的行
  这种方法显然需要将表的行和列按行（或者按扩展，或者按背景色或类似的方式）划分；情况并非总是如此
  对于示例文档，代码是开箱即用的：

  [A1]#
  [A2]姓名
  [A3]电话
  [A4]性别
  [B1]1
  [B2]约翰
  [B3]096875959
  [B4]M
  [C1]2
  [C2]别墅
  [C3]
  [C4]F
  

  （test

  testExtractBoxedTextStestWPhroma的输出

  ）

• 您可以提取试图反映PDF布局的文本。如果您知道相关表格的总体布局（n列从这里到那里…），则可以导出表格单元格内容
  为布局感知文本提取提供概念证明。注意，代码是基于PDFBox 1.8.x的，可能需要进行一些修改
  这种方法需要了解表列布局；这并不总是被给予的
  对于示例文档，代码是开箱即用的：

  #姓名电话性别
  1约翰096875959米
  F别墅2号
  

  （test

  testExtractTestWPhroma的输出
  

• 对于标记的PDF，您可以尝试提取文本，包括反映表结构的标记（如果标记正确）
  当您的示例文档被标记时，我将在下面展示一个快速的概念证明
  这种方法要求PDF正确标记；情况并非总是如此

利用标签提取内容 如果您的PDF已正确标记，则可以提取包含标记标记的内容，如下所示：

PDDocument document = PDDocument.load(SOURCE);

Map<PDPage, Map<Integer, PDMarkedContent>> markedContents = new HashMap<>();

for (PDPage page : document.getPages()) {
    PDFMarkedContentExtractor extractor = new PDFMarkedContentExtractor();
    extractor.processPage(page);

    Map<Integer, PDMarkedContent> theseMarkedContents = new HashMap<>();
    markedContents.put(page, theseMarkedContents);
    for (PDMarkedContent markedContent : extractor.getMarkedContents()) {
        theseMarkedContents.put(markedContent.getMCID(), markedContent);
    }
}

PDStructureNode root = document.getDocumentCatalog().getStructureTreeRoot();
showStructure(root, markedContents);

（辅助方法）

示例PDF的输出

是

# 


名称


电话


性别


1.


约翰


096875959


M


2.


别墅




F

您可以识别空单元格：

<TD>
<P>

</P>
</TD>

此概念验证提取到标准输出。显然，您可以选择在字符串生成器或流中收集数据，也可以将

数据立即填充到自定义结构中，毕竟它们已经在单元格中分开了

---

小心：这只是概念的证明。其中，代码输出如下数据：

System.out.printf（“？%s\n”，…），可能需要一些特定的处理。此外，可能未充分考虑其他边界条件。（实际上，我实现它只是为了正确提取示例PDF的内容。）
不幸的是，您没有共享有问题的PDF，因此我无法判断它是否已标记。你能分享它进行分析吗？@mkl你可以在这里访问示例文件。好啊我会试着调查一下。不过，最有可能在周一之前。（我快速查看了一下。您的PDF已被标记。如果它代表您的源PDF，则提取标记的文本将对您有所帮助。）ExtractMarkedContent已使用当前的PDFBox 3.0.0开发分支快照进行了测试。不过，在当前的2.0.x版本中也应该可以使用。非常感谢您的努力。我将尝试这些方法，看看它们是否能解决我的问题。非常感谢：）。