Мне нужно прочитать файл PDF, который содержит таблицу с несколькими столбцами. Используя iTextSharp, я могу прочитать файл, но получаю кучу неформатированного текста. Я не могу структурировать данные, чтобы их можно было вставить в базу данных.
Какие-либо предложения?
Если это не структурированный текст, нет тегов для отображения столбцов. Такие инструменты, как PdfBox, делают «догадки», пытаясь извлечь таблицу.
На http://pdf.jpedal.org/java-pdf-blog/bid/12670/PDF-text
Если я правильно понимаю, текст в формате PDF хранится позиционно, поэтому он не имеет понятия строк или столбцов. Это означает, что вы должны использовать эвристику, основанную на «вероятности», что вы читаете из другого столбца.
Вы можете попробовать сделать это, сравнив расстояние между словами. (Я не знаком с интерфейсом ITextSharp, поэтому, пожалуйста, простите меня, если я упоминаю то, на что он не способен... В основном я знаком с pdfNet.
Другая идея, которая только что пришла мне в голову, заключается в том, что если в тексте есть визуальные подсказки, такие как вертикальные линии, разделяющие столбцы. Если это так, вы должны придумать эвристику, чтобы определить, находится ли текст слева или справа от строк столбца.
...
Однако лучше всего, если возможно, получить данные в более удобном для базы данных формате. Это, вероятно, избавит вас от душевных страданий в долгосрочной перспективе.
-- Джейсон
Я прихожу к выводу, что нет прямого способа сделать это. По крайней мере, чтение данных в табличном формате. Я попробовал предложения, предоставленные Марком, но это кажется невыполнимым в соответствии с моим требованием.
