Конвертировать PDF в CSV, используя Java

Question

Конвертировать PDF в CSV, используя Java

Я пробовал большинство вещей на переполнение стека и за его пределами

Проблема: у меня есть PDF с содержанием и таблицами. Мне нужно разобрать таблицы и контент, а также.

Apis: https://github.com/tabulapdf/tabula-java я использую tabula-java который игнорирует некоторое содержимое и содержимое внутри ячеек таблицы не разделены должным образом.

МОЙ PDF имеет такой контент

 DATE :1/1/2018         ABCD                   SCODE:FFFT
                       --ACCEPTED--
    USER:ADMIN         BATCH:RR               EEE
    CON BATCH
    =======================================================================
    MAIN SNO SUB  VALUE DIS %
    R    12   rr1 0125  24.5
            SLNO  DESC  QTY  TOTAL  CODE   FREE
            1     ABD   12   90     BBNEW  -NILL-
            2     XDF   45   55     GHT55  MRP
            3     QWE   08   77     CAT    -NILL-
    =======================================================================
    MAIN SNO SUB  VALUE DIS %
    QW    14   rr2 0122  24.5
            SLNO  DESC  QTY  TOTAL  CODE   FREE
            1     ABD   12   90     BBNEW  -NILL-
            2     XDF   45   55     GHT55  MRP
            3     QWE   08   77     CAT    -NILL-

Табула код для преобразования:

public static void toCsv() throws ParseException {
        String commandLineOptions[] = { "-p", "1", "-o", "$csv", };
        CommandLineParser parser = new DefaultParser();
        try {
            CommandLine line = parser.parse(TabulaUtil.buildOptions(), commandLineOptions);
            new TabulaUtil(System.out, line).extractFileInto(
                    new File("/home/sample/firstPage.pdf"),
                    new File("/home/sample/onePage.csv"));
        } catch (Exception e) {
            e.printStackTrace();
        }
    }

Tabula даже поддерживает интерфейс командной строки

java -jar TabulaJar/tabula-1.0.2-jar-with-dependencies.jar -p all  -o  $csv -b Pdfs

Я пытался использовать -c,--columns <COLUMNS> таблицы, которая занимает ячейки по X координатам границ столбцов

Но проблема в том, что мой PDF-контент динамический. т.е. размеры таблицы изменены.

Эти ссылки в стеке переполнены, и многие другие работают на меня.

Как конвертировать PDF в CSV с помощью tabula-py?

Как извлечь данные таблицы из PDF как CSV из командной строки?

Конвертировать PDF в Excel в Java

Как преобразовать PDF-файл в CSV-файл?

itext Преобразование PDF в CSV

Разбор таблицы PDF и отображение ее в формате CSV(Java)

Я использовал окно PDF, которое дает текст, который не отформатирован, где я не могу прочитать содержимое таблицы должным образом.

Можно конвертировать PDF с таблицами в CSV / Excel с использованием Java без потери содержимого и форматирования.

Я не хочу использовать платные библиотеки.

6

java csv pdf tabula

Источник

user6032482 05 фев '19 в 12:08

0 ответов

Другие вопросы по тегам java csv pdf tabula

user6631551 07 мар '19 в 14:50 2019-03-07 14:50 · Answer 1 · 2019-03-07 14:50

Смотрите любой пример извлечения PDF в CSV с помощью Java здесь: https://github.com/pdftables/java-pdftables-api. Каждая страница рассматривается независимо, поэтому динамическая природа ваших PDF-файлов не должна быть проблемой. Вы можете использовать бесплатную пробную версию на их сайте.

package com.pdftables.examples;

import java.io.File;
import java.util.Arrays;
import java.util.List;

import org.apache.commons.io.FileUtils;
import org.apache.http.HttpEntity;
import org.apache.http.client.config.CookieSpecs;
import org.apache.http.client.config.RequestConfig;
import org.apache.http.client.methods.CloseableHttpResponse;
import org.apache.http.client.methods.HttpPost;
import org.apache.http.entity.mime.MultipartEntityBuilder;
import org.apache.http.entity.mime.content.FileBody;
import org.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.impl.client.HttpClients;

public class ConvertToFile {
    private static List<String> formats = Arrays.asList(new String[] { "csv", "xml", "xlsx-single", "xlsx-multiple" });

    public static void main(String[] args) throws Exception {
        if (args.length != 3) {
            System.out.println("Command line: <API_KEY> <FORMAT> <PDF filename>");
            System.exit(1);
        }

        final String apiKey = args[0];
        final String format = args[1].toLowerCase();
        final String pdfFilename = args[2];

        if (!formats.contains(format)) {
            System.out.println("Invalid output format: \"" + format + "\"");
            System.exit(1);
        }

        // Avoid cookie warning with default cookie configuration
        RequestConfig globalConfig = RequestConfig.custom().setCookieSpec(CookieSpecs.STANDARD).build();

        File inputFile = new File(pdfFilename);

        if (!inputFile.canRead()) {
            System.out.println("Can't read input PDF file: \"" + pdfFilename + "\"");
            System.exit(1);
        }

        try (CloseableHttpClient httpclient = HttpClients.custom().setDefaultRequestConfig(globalConfig).build()) {
            HttpPost httppost = new HttpPost("https://pdftables.com/api?format=" + format + "&key=" + apiKey);
            FileBody fileBody = new FileBody(inputFile);

            HttpEntity requestBody = MultipartEntityBuilder.create().addPart("f", fileBody).build();
            httppost.setEntity(requestBody);

            System.out.println("Sending request");

            try (CloseableHttpResponse response = httpclient.execute(httppost)) {
                if (response.getStatusLine().getStatusCode() != 200) {
                    System.out.println(response.getStatusLine());
                    System.exit(1);
                }
                HttpEntity resEntity = response.getEntity();
                if (resEntity != null) {
                    final String outputFilename = getOutputFilename(pdfFilename, format.replaceFirst("-.*$", ""));
                    System.out.println("Writing output to " + outputFilename);

                    final File outputFile = new File(outputFilename);
                    FileUtils.copyToFile(resEntity.getContent(), outputFile);
                } else {
                    System.out.println("Error: file missing from response");
                    System.exit(1);
                }
            }
        }
    }

    private static String getOutputFilename(String pdfFilename, String suffix) {
        if (pdfFilename.length() >= 5 && pdfFilename.toLowerCase().endsWith(".pdf")) {
            return pdfFilename.substring(0, pdfFilename.length() - 4) + "." + suffix;
        } else {
            return pdfFilename + "." + suffix;
        }
    }
}