Java での PDF からテーブルの抽出

既存の PDF でテーブル構造を検出し、その内容を読み取る必要がある場合は、TableAbsorber を使用してください。

検出されたテーブルからテキストの抽出

各ページでテーブルを検出し、セルのテキストを収集する必要がある場合は、この例をご使用ください。

1. ソース PDF の Document を開いてください。
2. 各ページに TableAbsorber を適用してください。
3. 吸収されたテーブル、行、セルを反復処理し、抽出されたテキストを出力してください。

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);
                }
            }
        }
    }
}