Extraer tablas de PDF en Java

Utilice TableAbsorber cuando necesites detectar estructuras de tabla en un PDF existente y leer su contenido.

Extraer texto de tablas detectadas

Utilice este ejemplo cuando necesite localizar tablas en cada página y recopilar el texto de sus celdas.

1. Abra el PDF de origen Document.
2. Visite cada página con TableAbsorber.
3. Itere a través de las tablas absorbidas, filas y celdas, y luego generar el texto extraído.

public static void extract(Path inputFile) {
    try (Document document = new Document(inputFile.toString())) {
        for (Page page : document.getPages()) {
            TableAbsorber absorber = new TableAbsorber();
            absorber.visit(page);
            for (AbsorbedTable table : absorber.getTableList()) {
                System.out.println("Table ----");
                for (AbsorbedRow row : table.getRowList()) {
                    System.out.println("Row:");
                    StringBuilder rowText = new StringBuilder();
                    for (AbsorbedCell cell : row.getCellList()) {
                        StringBuilder cellText = new StringBuilder();
                        for (TextFragment fragment : cell.getTextFragments()) {
                            for (TextSegment segment : fragment.getSegments()) {
                                cellText.append(segment.getText());
                            }
                        }
                        rowText.append(" | ").append(cellText);
                    }
                    System.out.println(rowText);
                }
            }
        }
    }
}