本文介绍如何准确提取pdf中的表格结构并导出为excel文件，解决传统文本提取导致的列错位、空列丢失等问题，推荐使用apache pdfbox结合坐标分析实现列定位，并通过apache poi生成规范excel。
PDF文档中以表格形式呈现的数据（如学生成绩单、财务报表）往往具有严格的列对齐和空白单元格语义。仅依赖PdfTextExtractor.getTextFromPage()进行换行分割（如原代码所示）会丢失所有空间布局信息——文本虽按视觉顺序提取，但列边界、跨列合并、空单元格等关键结构完全坍缩，最终CSV中“name some data some data 1”这类扁平化结果无法还原原始二维表关系。
要真正还原PDF表格，核心在于基于文本坐标（x/y位置）进行列划分。Apache PDFBox 提供了底层文本渲染信息访问能力，可获取每个字符或文本块的精确坐标。以下为完整解决方案流程：
✅ 步骤一：识别列边界（基于首行标题或统计分布）
// 使用 PDFBox 提取带坐标的文本片段
PDFTextStripperByArea stripper = new PDFTextStripperByArea();
Rectangle2D rect = new Rectangle2D.Float(x, y, width, height);
stripper.addRegion("header", rect);
// 更推荐：遍历每页所有文本操作符，获取TextPosition对象
PDFParser parser = new PDFParser(new RandomAccessFile("example.pdf", "r"));
parser.parse();
PDDocument doc = parser.getPDDocument();
PDFTextStripper stripper = new PDFTextStripper() {
@Override
protected void writeString(String string, List textPositions) throws IOException {
for (TextPosition tp : textPositions) {
System.out.printf("Text='%s', X=%.2f, Y=%.2f%n",
tp.getUnicode(), tp.getX(), tp.getY());
}
super.writeString(string, textPositions);
}
};
stripper.setSortByPosition(true); // 启用坐标排序（重要！）
stripper.getText(doc); ✅ 步骤二：动态计算列分隔线（示例：基于首行标题X坐标聚类）
// 假设已提取首行所有文本块及其x坐标（left edge） ListheaderXs = Arrays.asList(50.2f, 180.5f, 320.0f, 450.8f, 590.3f); // 示例坐标 List columnBounds = new ArrayList<>(); columnBounds.add(headerXs.get(0)); // 左边界 for (int i = 1; i < headerXs.size(); i++) { float mid = (headerXs.get(i-1) + headerXs.get(i)) / 2; columnBounds.add(mid); } columnBounds.add(800f); // 右边界（根据页面宽度调整）
✅ 步骤三：按列归集数据，生成Excel（使用 Apache POI）
XSSFWorkbook workbook = new XSSFWorkbook();
XSSFSheet sheet = workbook.createSheet("Data");
// 每行数据按列填充（缺失列补空字符串）
for (int i = 1; i <= pages; i++) {
PDPage page = doc.getPage(i-1);
List allTexts = extractSortedTextPositions(page); // 自定义方法
// 按Y坐标分组为逻辑行（阈值≈字体高度*1.5）
Map> rows = groupByY(allTexts, 15.0);
int rowNum = sheet.getLastRowNum() + 1;
for (List rowTexts : rows.values()) {
XSSFRow row = sheet.createRow(rowNum++);
String[] cells = new String[columnBounds.size() - 1];
for (TextPosition tp : rowTexts) {
float x = tp.getX();
int colIndex = findColumnIndex(x, columnBounds); // 二分查找所属列
if (colIndex >= 0 && colIndex < cells.length) {
cells[colIndex] = (cells[colIndex] == null ? "" : cells[colIndex]) + tp.getUnicode();
}
}
// 写入Excel行（自动处理空列）
for (int c = 0; c < cells.length; c++) {
XSSFCell cell = row.createCell(c);
cell.setCellValue(cells[c] != null ? cells[c].trim() : "");
}
}
}
// 保存文件
try (FileOutputStream out = new FileOutputStream("output.xlsx")) {
workbook.write(out);
} ⚠️ 注意事项与优化建议：
- 字体与旋转干扰：PDF中倾斜/旋转文本需调用 tp.getDir() 和 tp.getRotation() 校正坐标；
- 合并单元格：PDF无原生“合并”概念，需检测相邻文本块Y重叠且X连续，人工标记合并范围；
- 性能优化：对多页大PDF，避免重复计算列边界——可先扫描第1–3页确定稳定列宽，后续页复用；
- 替代方案：若PDF是扫描件（图像型），需先用Tesseract OCR + 表格检测模型（如TableNet）；若为标准PDF且结构规整，可尝试开源工具 tabula-java（命令行或Java API）直接提取表格；
- 列头识别：首行不一定是标题，建议结合字体大小、加粗属性（tp.getFontSizeInPt() > 12 && tp.getFont().isBold()）增强判断鲁棒性。
最终生成的Excel将严格保留PDF中每一列的位置关系，包括中间空列（显示为空白单元格），真正实现“所见即所得”的表格迁移。
