本文介绍如何基于pdfbox等专业库，将含表格结构的pdf文件准确转换为excel格式，解决传统文本提取导致列对齐丢失、空列缺失等问题。
将PDF转换为CSV或Excel看似简单，但当PDF中包含真实表格结构时，仅依赖PdfTextExtractor.getTextFromPage()进行换行分割（如原代码所示）会彻底丢失列定位信息——因为PDF本质是图形/流式布局，不是语义化表格。你遇到的 "name some data some data 1" 合并问题，正是由于所有文本被扁平化为一行行字符串，列边界（如竖线、空白间距、字体对齐）未被识别所致。
要真正还原表格结构，必须采用基于坐标的空间分析法：通过解析每个文本片段（TextPosition）的精确x/y坐标、宽度和字体信息，推断列分隔位置，并按列组织数据行。推荐使用 Apache PDFBox 2.0+ 配合自定义TextStripper，或更高效的专用表格提取库：
✅ 推荐方案：使用 PDFBox + 列边界检测（轻量可控）
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.text.TextPosition;
import java.io.File;
import java.util.*;
public class TableAwarePDFStripper extends PDFTextStripper {
private final List<Float> columnXCoords = new ArrayList<>();
private final Map<Integer, List<String>> tableRows = new HashMap<>();
public TableAwarePDFStripper(List<Float> expectedColumns) throws Exception {
super();
this.columnXCoords.addAll(expectedColumns); // 可预先用Foxit/Adobe测量列左边界
}
@Override
protected void writeString(String string, List<TextPosition> textPositions) throws IOException {
if (textPositions.isEmpty()) return;
// 取首字符x坐标作为行定位基准
float startX = textPositions.get(0).getXDirAdj();
String trimmed = string.trim();
if (trimmed.isEmpty()) return;
// 按最近列边界分组（简化版：找最接近的左侧坐标）
int colIndex = 0;
if (!columnXCoords.isEmpty()) {
float minDist = Float.MAX_VALUE;
for (int i = 0; i < columnXCoords.size(); i++) {
float dist = Math.abs(startX - columnXCoords.get(i));
if (dist < minDist) {
minDist = dist;
colIndex = i;
}
}
}
// 按页码+行号（y坐标取整）归组
int page = getCurrentPageNo();
float y = Math.round(textPositions.get(0).getYDirAdj());
int key = (page << 16) | ((int) y); // 粗略行标识
tableRows.computeIfAbsent(key, k -> new ArrayList<>(Collections.nCopies(columnXCoords.size(), "")))
.set(colIndex, trimmed);
}
public List<List<String>> getTableData() {
return tableRows.values().stream()
.filter(row -> row.stream().anyMatch(s -> !s.isEmpty()))
.toList();
}
}? 使用示例（导出为Excel）
public void convertToExcel(String pdfPath, String excelPath) throws Exception {
try (PDDocument doc = PDDocument.load(new File(pdfPath))) {
// 步骤1：手动测量或自动探测列边界（首次可硬编码，如 [50f, 180f, 320f, 450f]）
List<Float> columns = Arrays.asList(50f, 180f, 320f, 450f);
TableAwarePDFStripper stripper = new TableAwarePDFStripper(columns);
stripper.setSortByPosition(true); // 关键：保持阅读顺序
stripper.setStartPage(1);
stripper.setEndPage(doc.getNumberOfPages());
stripper.getText(doc); // 触发解析
// 步骤2：写入Excel（使用Apache POI）
try (XSSFWorkbook workbook = new XSSFWorkbook();
FileOutputStream fos = new FileOutputStream(excelPath)) {
XSSFSheet sheet = workbook.createSheet("Extracted Table");
int rowNum = 0;
for (List<String> row : stripper.getTableData()) {
XSSFRow excelRow = sheet.createRow(rowNum++);
for (int i = 0; i < row.size(); i++) {
XSSFCell cell = excelRow.createCell(i);
cell.setCellValue(row.get(i));
}
}
workbook.write(fos);
}
}
}⚠️ 注意事项与进阶建议
- 列边界获取：首次处理时，可用 Foxit Reader 或 Adobe Acrobat 的“测量工具”标出各列左边缘x坐标；进阶可实现自动列检测（统计所有文本块x坐标的聚类中心）。
- 空单元格处理：本方案通过预设列数+默认空字符串填充，确保Excel列对齐；若列宽动态变化，需在writeString中动态维护columnXCoords。
-
替代库推荐：
- Tabula（开源）：专为PDF表格设计，提供CLI/API，支持自动列识别，https://www.php.cn/link/7421f7613315d16a720f5ad52a4b8b6a；
- Camelot（Python生态）：精度高，但需Python环境；
- pdfplumber（Python）：底层基于PDFMiner，坐标分析能力极强。
- 避免陷阱：勿用iText 7的getTextFromPage()直接切分——它不保留位置信息；也慎用正则匹配空格分隔，PDF中空格可能是字体间距而非语义分隔符。
最终，精准表格转换 = 坐标感知 + 列边界建模 + 结构化输出。从硬编码列宽起步，逐步过渡到动态检测，即可稳定生成与PDF视觉对齐的Excel表格。
