Java基于Tabula实现PDF合并单元格内容的提取
坑还是要填的，但是填得是否平整就有待商榷了（狗头保命...）。
本人技术有限，只能帮各位实现的这个地步了。各路大神如果还有更好的实现也可以发出来跟小弟共勉一下哈。
首先需要说一下的是以下提供的代码仅作研究参考使用，各位在使用之前务必自检，因为并不是所有 pdf 的表格格式都适合。
本次实现的难点在于 PDF 是一种视觉格式，而不是语义格式。
它只记录了“在 (x, y) 坐标绘制文本 'ABC'”和“从 (x1, y1) 到 (x2, y2) 绘制一条线”。它根本不“知道”什么是“表格”、“行”或“合并单元格”。而 Tabula 的 SpreadsheetExtractionAlgorithm 算法是处理这种问题的最佳起点，但它提取的结果会是“不规则”的，即每行的单元格数量可能不同。因此本次将采用后处理的方式进行解析，Tabula 更多的只是作内容提取，表格组织还是在后期处理进行的。
就像上次的文章中说到
【Java】采用 Tabula 技术对 PDF 文件内表格进行数据提取
本次解决问题的核心思路就是通过计算每一个单元格完整的边界框，得到它的 top，left， bottom，right。通过收集所有单元格的 top 坐标和 bottom 坐标，推断出表格中所有“真实”的行边界。同理，通过收集所有单元格的 left 坐标和 right 坐标，可以推断出所有“真实”的列边界。最后基于这些边界构建一个完整的网格，然后将 Tabula 提取的文本块“放”回这个网格中。
为了方便测试我使用了 Deepseek 官网“模型细节”章节里面的那个表格。
这个表格是比较经典的，既有列合并单元格，也有行合并单元格。而且表格中并没有那么多复杂的内容。
下面是我的执行代码
package cn.paohe;
import java.awt.Point;
import java.io.BufferedInputStream;
import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStream;
import java.util.ArrayList;
import java.util.HashSet;
import java.util.List;
import java.util.NavigableSet;
import java.util.Set;
import java.util.TreeSet;
import org.apache.pdfbox.pdmodel.PDDocument;
import technology.tabula.ObjectExtractor;
import technology.tabula.Page;
import technology.tabula.PageIterator;
import technology.tabula.Rectangle;
import technology.tabula.RectangularTextContainer;
import technology.tabula.Table;
import technology.tabula.extractors.SpreadsheetExtractionAlgorithm;
public class MergedCellPdfExtractor {
// 浮点数比较的容差
private static final float COORDINATE_TOLERANCE = 2.0f;
/**
* 为了样例方便，在类内部直接封装一个单元格，包含其文本和边界
*/
static class Cell extends Rectangle {
public String text;
public float top;
public float left;
public double width;
public double height;
public Cell(float top, float left, double width, double height, String text) {
this.top = top;
this.left = left;
this.width = width;
this.height = height;
this.text = text == null ? "" : text.trim();
}
@Override
public float getTop() {
return top;
}
@Override
public float getLeft() {
return left;
}
@Override
public double getWidth() {
return width;
}
@Override
public double getHeight() {
return height;
}
@Override
public float getBottom() {
return (float) (top + height);
}
@Override
public float getRight() {
return (float) (left + width);
}
@Override
public double getX() {
return left;
}
@Override
public double getY() {
return top;
}
@Override
public Point[] getPoints() {
return new Point[0];
}
@Override
public String toString() {
return String.format("Cell[t=%.2f, l=%.2f, w=%.2f, h=%.2f, text='%s']", top, left, width, height, text);
}
}
/**
* 由于表格提取的时候会出现偏差，因此定义表格指纹，用于去重
*/
static class TableFingerprint {
private final float top;
private final float left;
private final int rowCount;
private final int colCount;
private final String contentHash;
public TableFingerprint(Table table) {
this.top = roundCoordinate(table.getTop());
this.left = roundCoordinate(table.getLeft());
this.rowCount = table.getRowCount();
this.colCount = table.getColCount();
this.contentHash = generateContentHash(table);
}
/**
* 生成表格的内容 Hash，用于快速比较两个表格是否相同
*
* Hash 生成规则：将每个单元格的文本内容连接起来，使用 "|" 分隔 如果单元格的数量超过 10 个，就停止生成 Hash
*
* @param table 需要生成 Hash 的表格
* @return 生成的 Hash
*/
private String generateContentHash(Table table) {
StringBuilder sb = new StringBuilder();
int cellCount = 0;
for (List<RectangularTextContainer> row : table.getRows()) {
for (RectangularTextContainer cell : row) {
sb.append(cell.getText()).append("|");
cellCount++;
if (cellCount > 10) {
break;
}
}
if (cellCount > 10) {
break;
}
}
return sb.toString();
}
@Override
public boolean equals(Object obj) {
if (!(obj instanceof TableFingerprint)) {
return false;
}
// 将要比较的对象强制转换为 TableFingerprint
TableFingerprint other = (TableFingerprint) obj;
// 两个表格的 top 和 left 坐差不能超过 COORDINATE_TOLERANCE
boolean topMatch = Math.abs(this.top - other.top) < COORDINATE_TOLERANCE;
boolean leftMatch = Math.abs(this.left - other.left) < COORDINATE_TOLERANCE;
// 两个表格的行数和列数必须相同
boolean rowMatch = this.rowCount == other.rowCount;
boolean colMatch = this.colCount == other.colCount;
// 两个表格的内容 Hash must be equal
boolean contentMatch = this.contentHash.equals(other.contentHash);
// 如果以上条件都满足，则返回 true
return topMatch && leftMatch && rowMatch && colMatch && contentMatch;
}
@Override
public int hashCode() {
return contentHash.hashCode();
}
/**
* 将坐标四舍五入到指定精度，减少浮点误差
*
* @param coord 需要四舍五入的坐标
* @return 四舍五入后的坐标
*/
private static float roundCoordinate(float coord) {
// 将坐标乘以 10，然后将结果四舍五入，然后除以 10.0f，保留一个小数点
return Math.round(coord * 10) / 10.0f;
}
}
/**
* 解析 PDF 文件中的所有表格
*
* 1. 使用 ObjectExtractor 将 PDF 文件中的所有表格进行提取 2. 使用 SpreadsheetExtractionAlgorithm
* 基于线条检测表格，避免重复表格 3. 规范化表格，处理合并单元格
*
* @param pdfFile 要解析的 PDF 文件
* @return 规范化的表格数据，每个 List<List<String>> 代表一个表格
* @throws IOException 文件读取异常
*/
public List<List<List<String>>> parseTables(File pdfFile) throws IOException {
List<List<List<String>>> allNormalizedTables = new ArrayList<>();
Set<TableFingerprint> seenTables = new HashSet<>();
InputStream bufferedStream = new BufferedInputStream(new FileInputStream(pdfFile));
try (PDDocument pdDocument = PDDocument.load(bufferedStream)) {
ObjectExtractor oe = new ObjectExtractor(pdDocument);
PageIterator pi = oe.extract();
while (pi.hasNext()) {
Page page = pi.next();
// 使用 SpreadsheetExtractionAlgorithm 基于线条检测表格
SpreadsheetExtractionAlgorithm sea = new SpreadsheetExtractionAlgorithm();
List&lphpt;Table> tables = sea.extract(page);
for (Table table : tables) {
// 去重检查
TableFingerprint fingerprint = new TableFingerprint(table);
if (seenTables.contains(fingerprint)) {
System.out.println("跳过重复表格: top=" + fingerprint.top + ", left=" + fingerprint.left);
continue;
}
seenTables.add(fingerprint);
List<List<String>> normalized = normalizeTable(table);
if (!normalized.isEmpty()) {
allNormalizedTables.add(normalized);
}
}
}
}
return allNormalizedTables;
}
/**
* 规范化表格，处理合并单元格
*
* @param table Tabula 提取的原始表格
* @return 规范化的 List<List<String>>
http://www.devze.com */
private List<List<String>> normalizeTable(Table table) {
// 1. 提取所有单元格及其坐标
List<Cell> allCells = new ArrayList<>();
for (List<RectangularTextContainer> row : table.getRows()) {
for (RectangularTextContainer tc : row) {
allCells.add(new Cell(tc.getTop(), tc.getLeft(), tc.getWidth(), tc.getHeight(), tc.getText()));
}
}
if (allCells.isEmpty()) {
return new ArrayList<>();
}
// 2. 收集所有唯一的行起始位置和列起始位置，并添加结束位置
NavigableSet<Float> rowBoundaries = new TreeSet<>();
NavigableSet<Float> colBoundaries = new TreeSet<>();
for (Cell cell : allCells) {
rowBoundaries.add(roundCoordinate(cell.getTop()));
rowBoundaries.add(roundCoordinate(cell.getBottom()));
colBoundaries.add(roundCoordinate(cell.getLeft()));
colBoundaries.add(roundCoordinate(cell.getRight()));
}
// 3. 转换为列表并去除首尾（表格外边界）
List<Float> rowCoords = new ArrayList<>(rowBoundaries);
List<Float> colCoords = new ArrayList<>(colBoundaries);
// 移除最小和最大值（表格外边界），只保留内部网格线
if (rowCoords.size() > 2) {
rowCoords.remove(rowCoords.size() - 1); // 移除最大值（底边）
rowCoords.remove(0); // 移除最小值（顶边）
}
if (colCoords.size() > 2) {
colCoords.remove(colCoords.size() - 1); // 移除最大值（右边）
colCoords.remove(0); // 移除最小值（左边）
}
// 4. 验证网格有效性
if (rowCoords.isEmpty() || colCoords.isEmpty()) {
return tableToListOfListOfStrings(table);
}
int numRows = rowCoords.size();
int numCols = colCoords.size();
String[][] grid = new String[numRows][numCols];
// 初始化所有单元格为 null
for (int r = 0; r < numRows; r++) {
for (int c = 0; c < numCols; c++) {
grid[r][c] = null;
}
}
// 5. 将单元格内容填充到网格中
for (Cell cell : allCells) {
// 找到单元格在网格中的起始索引
int startRow = findCellStartIndex(rowCoords, cell.getTop());
int startCol = findCellStartIndex(colCoords, cell.getLeft());
// 容错处理
if (startRow == -1 || startCol == -1) {
continue;
}
// 确保索引有效
if (startRow >= numRows || startCol >= numCols) {
continue;
}
// 计算单元格跨越的行数和列数
int endRow = findCellEndIndex(rowCoords, cell.getBottom());
int endCol = findCellEndIndex(colCoords, cell.getRight());
if (endRow == -1)
endRow = numRows - 1;
if (endCol == -1)
endCol = numCols - 1;
// 将文本放置在左上角单元格
if (grid[startRow][startCol] == null) {
grid[startRow][startCol] = cell.text;
} else {
// 如果已有内容，追加（处理重叠情况）
if (!grid[startRow][startCol].isEmpty() && !cell.text.isEmpty()) {
grid[startRow][startCol] += " " + cell.text;
} else if (!cell.text.isEmpty()) {
grid[startRow][startCol] = cell.text;
}
}
// 标记被合并覆盖的其他单元格
for (int r = startRow; r <= endRow && r < numRows; r++) {
for (int c = startCol; c <= endCol && c < numCols; c++) {
if (r == startRow && c == startCol) {
continue; // 跳过左上角已填充的单元格
}
if (grid[r][c] == null) {
grid[r][c] = ""; // 标记为空字符串（合并单元格的一部分）
}
}
}
}
// 6. 填充空单元格：优先从左侧填充，左侧为空则从上方填充
for (int r = 0; r < numRows; r++) {
for (int c = 0; c < numCols; c++) {
if (grid[r][c] == null || grid[r][c].isEmpty()) {
String fillContent = null;
// 优先从左侧获取内容
if (c > 0 && grid[r][c - 1] != null && !grid[r][c - 1].isEmpty()) {
fillContent = grid[r][c - 1];
}
// 左侧为空或不存在，从上方获取内容
else if (r > 0 && grid[r - 1][c] != null && !grid[r - 1][c].isEmpty()) {
fillContent = grid[r - 1][c];
}
if (fillContent != null) {
grid[r][c] = fillContent;
} else if (grid[r][c] == null) {
grid[r][c] = "";
}
}
}
}
// 7. 将二维数组转换为 List<List<String>>
List<List<String>> normalizedTable = new ArrayList<>();
for (int r = 0; r < numRows; r++) {
List<String> normalizedRow = new ArrayList<>();
for (int c = 0; c < numCols; c++) {
normalizedRow.add(grid[r][c] == null ? "" : grid[r][c]);
}
normalizedTable.add(normalizedRow);
}
return normalizedTable;
}
/**
* 将坐标四舍五入到指定精度，减少浮点误差
*/
private float roundCoordinate(float coord) {
return Math.round(coord * 10) / 10.0f;
}
/**
* 查找单元格起始位置在网格中的索引
*/
private int findCellStartIndex(List<Float> coords, float value) {
float roundedValue = roundCoordinate(value);
for (int i = 0; i < coords.size(); i++) {
// 单元格的起始位置应该在某个网格线上或之前
if (roundedValue <= coords.get(i) + COORDINATE_TOLERANCE) {
return i;
}
}
return coords.size() - 1;
}
/**
* 查找单元格结束位置在网格中的索引
*/
private int findCellEndIndex(List<Float> coords, float value) {
float roundedValue = roundCoordinate(value);
for (int i = coords.size() - 1; i >= 0; i--) {
// 单元格的结束位置应该在某个网格线上或之后
if (roundedValue >= coords.get(i) - COORDINATE_TOLERANCE) {
return i;
}
}
return 0;
}
/**
* 将 Tabula 的 Table 对象转换为 List<List<String>>>
*
* @param table Tabula 的 Table 对象
* @return List<List<String>>>
*/
public List<List<String>> tableToListOfListOfStrings(Table table) {
// 创建一个列表来存储表格内容
List<List<String>> list = new ArrayList<>();
// 遍代表格中的每一行
for (List<RectangularTextContainer> row : table.getRows()) {
// 创建一个列表来存储当前行的内容
List<String> rowList = new ArrayList<>();
// 遍代当前行中的每一个编程客栈单元格
for (RectangularTextContainer tc : row) {
// 将当前单元格的内容添加到行列表中
String cellText = tc.getText() == null ? "" : tc.getText().trim();
rowList.add(cellText);
rowList.add(tc.getText() == null ? 编程客栈"" : tc.getText().trim());
}
// 将行列表添加到表格列表中
list.add(rowList);
}
return list;
}
public static void main(String[] args) {
// 请替换为你的 PDF 文件路径
String pdfPath = "/Users/yuanzhenhui/Desktop/测试用合并单元格解析.pdf";
File pdfFile = new File(pdfPath);
if (!pdfFile.exists()) {
System.err.println("错误: 测试文件未找到: " + pdfPath);
System.err.println("请在 main 方法中替换为你本地的 PDF 文件路径。");
return;
}
MergedCellPdfExtractor extractor = new MergedCellPdfExtractor();
try {
System.out.println("开始解析: " + pdfPath);
List<List<List<String>>> tables = extractor.parseTables(pdfFile编程);
System.out.println("解析完成，共找到 " + tables.size() + " 个表格。");
System.out.println("========================================");
int tableNum = 1;
for (List<List<String>> table : tables) {
System.out.println("\n表格 " + (tableNum++) + ":");
System.out.println("行数: " + table.size() + ", 列数: " + (table.isEmpty() ? 0 : table.get(0).size()));
System.out.println("----------------------------------------");
for (List<String> row : table) {
System.out.print("|");
for (String cell : row) {
String cellText = cell.replace("\n", " ").replace("\r", " ");
if (cellText.length() > 15) {
cellText = cellText.substring(0, 12) + "...";
}
System.out.print(String.format(" %-15s |", cellText));
}
System.out.println();
}
System.out.println("----------------------------------------");
}
} catch (IOException e) {
System.err.println("解析 PDF 时出错: " + e.getMessage());
e.printStackTrace();
}
}
}
关于代码的解释应该都清楚的了，由于只是用作试验我就没有很精细地封装了，大家凑合着用吧。如果面对更加复杂的表格的话我建议还是不要用这种填充的方式了，直接上大厂的 OCR 接口吧。
哦，还有东西忘了说了，关于 Maven 依赖的引入如下：
<dependency> <groupId>technology.tabula</groupId> <artifactId>tabula</artifactId> <version>1.0.5</version> </dependency> <dependency> <groupId>org.apache.pdfbox</groupId> <artifactId>pdfbox</artifactId> <version>2.0.35</version> </dependency>
好了，该填的可能填好了。
以上就是Java基于Tabula实现PDF合并单元格内容的提取的详细内容，更多关于Java Tabula提取PDF的资料请关注编程客栈(www.devze.com)其它相关文章！
加载中,请稍侯......
精彩评论