Extrair dados da tabela em PDF com Java

Extrair tabelas de PDF

Use TableAbsorber para encontrar tabelas em cada página e iterar pelas linhas, células, fragmentos de texto e segmentos de texto.

1. Abra o PDF de origem em uma instância de Document.
2. Itere através do documento objetos Page porque as tabelas são detectadas página por página.
3. Crie um TableAbsorber para cada página e chamar visit(page) para preencher a lista de tabelas detectadas.
4. Itere pelos detectados AbsorbedTable, AbsorbedRow, AbsorbedCell, TextFragment, e objetos TextSegment.
5. Construa o texto da linha extraída a partir do conteúdo do fragmento e imprima os dados da tabela.

public static void extractTablesFromPdf(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()) {
                    StringBuilder rowText = new StringBuilder();
                    for (AbsorbedCell cell : row.getCellList()) {
                        if (rowText.length() > 0) {
                            rowText.append("|");
                        }
                        StringBuilder cellText = new StringBuilder();
                        for (TextFragment fragment : cell.getTextFragments()) {
                            StringBuilder fragmentText = new StringBuilder();
                            for (TextSegment segment : fragment.getSegments()) {
                                fragmentText.append(segment.getText());
                            }
                            if (cellText.length() > 0) {
                                cellText.append("|");
                            }
                            cellText.append(fragmentText);
                        }
                        rowText.append(cellText);
                    }
                    System.out.println(rowText);
                }
            }
        }
    }
}

Extrair uma tabela de uma área marcada específica

Este exemplo encontra uma anotação quadrada, compara seu retângulo com cada tabela detectada e exibe apenas as tabelas dentro da região marcada.

1. Abra o PDF de origem em uma instância de Document.
2. Obtenha a página de destino Page e localize o quadrado Annotation que marca a região de extração.
3. Crie um TableAbsorber e chame visit(page) para detectar tabelas nessa página.
4. Compare cada detectado AbsorbedTable Rectangle com os limites do retângulo da anotação.
5. Itere através da correspondência objetos AbsorbedRow e AbsorbedCell e reconstruir o texto da linha.
6. Imprima os dados da tabela apenas para a região marcada.

public static void extractTableFromSpecificArea(Path inputFile) {
    try (Document document = new Document(inputFile.toString())) {
        Page page = document.getPages().get_Item(1);

        Annotation squareAnnotation = null;
        for (Annotation annotation : page.getAnnotations()) {
            if (annotation.getAnnotationType() == AnnotationType.Square) {
                squareAnnotation = annotation;
                break;
            }
        }

        if (squareAnnotation == null) {
            System.out.println("No square annotation found.");
            return;
        }

        TableAbsorber absorber = new TableAbsorber();
        absorber.visit(page);

        for (AbsorbedTable table : absorber.getTableList()) {
            Rectangle tableRect = table.getRectangle();
            Rectangle annotationRect = squareAnnotation.getRect();

            boolean isInRegion = annotationRect.getLLX() < tableRect.getLLX()
                    && annotationRect.getLLY() < tableRect.getLLY()
                    && annotationRect.getURX() > tableRect.getURX()
                    && annotationRect.getURY() > tableRect.getURY();

            if (isInRegion) {
                for (AbsorbedRow row : table.getRowList()) {
                    StringBuilder rowText = new StringBuilder();
                    for (AbsorbedCell cell : row.getCellList()) {
                        if (rowText.length() > 0) {
                            rowText.append("|");
                        }
                        StringBuilder cellText = new StringBuilder();
                        for (TextFragment fragment : cell.getTextFragments()) {
                            StringBuilder fragmentText = new StringBuilder();
                            for (TextSegment segment : fragment.getSegments()) {
                                fragmentText.append(segment.getText());
                            }
                            if (cellText.length() > 0) {
                                cellText.append("|");
                            }
                            cellText.append(fragmentText);
                        }
                        rowText.append(cellText);
                    }
                    System.out.println(rowText);
                }
            }
        }
    }
}

Exportar tabelas para Excel

1. Abra o PDF de origem em uma instância de Document.
2. Crie ExcelSaveOptions para a exportação.
3. Defina o formato de saída do Excel como XLSX; assim, o layout da tabela detectado é gravado como uma pasta de trabalho do Excel.
4. Chame document.save(outputFile.toString(), excelSave) para exportar o documento no formato Excel.

public static void exportTablesToExcel(Path inputFile, Path outputFile) {
    try (Document document = new Document(inputFile.toString())) {
        ExcelSaveOptions excelSave = new ExcelSaveOptions();
        excelSave.setFormat(ExcelSaveOptions.ExcelFormat.XLSX);
        document.save(outputFile.toString(), excelSave);
    }
}