本文介绍如何基于pdfbox等专业库，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。
将PDF（尤其是带格式的表格型PDF）直接转为CSV或Excel，绝非简单的换行符分割或空格替换——正如您在代码中所见，PdfTextExtractor.getTextFromPage() 仅返回线性文本流，完全丢失了原始PDF中由坐标、字体、间距定义的二维表格结构。因此，"name | some data | | some data 1" 在纯文本解析后坍缩为 "name some data some data 1"，中间空列彻底消失。
要真正还原表格语义，关键在于基于坐标的空间分析（Spatial Analysis）：通过获取每个文本片段（Text Chunk）的精确边界框（Rectangle2D 或 PDRectangle），按水平位置聚类列，再按垂直顺序组织行。
推荐使用 Apache PDFBox + Tabula-java（底层依赖PDFBox） 或 PDFBox 自定义表格检测器。以下以 PDFBox 2.0+ 为例，展示一个轻量但可靠的列感知提取方案：
One-click installation of GitHub projects
下载
GInstall OneClick — 一键安装 GitHub 项目：规划、克隆、安装 Node 依赖、运行开发脚本。适用于想要获取 GitHubNode.js 项目的用户。
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripperByArea;
import org.apache.pdfbox.text.TextPosition;
import org.apache.pdfbox.pdmodel.common.PDRectangle;
import org.apache.poi.ss.usermodel.*;
import org.apache.poi.xssf.usermodel.XSSFWorkbook;
import java.io.File;
import java.io.FileOutputStream;
import java.util.*;
public class PdfTableToExcel {
public static void convertToExcel(String pdfPath, String excelPath) throws Exception {
try (PDDocument doc = PDDocument.load(new File(pdfPath));
Workbook workbook = new XSSFWorkbook();
FileOutputStream fos = new FileOutputStream(excelPath)) {
Sheet sheet = workbook.createSheet("TableData");
int rowNum = 0;
// 假设第1页含表格（实际中需动态检测表格区域）
PDRectangle pageSize = doc.getPage(0).getPageSize();
float pageWidth = pageSize.getWidth();
// 【关键】手动定义列边界（单位：点，1/72英寸）——可先用Foxit Reader或PDFBox Debugger测量
// 示例：4列，x坐标分别为 [50, 180, 320, 460]，宽度覆盖至下一列前
float[] colXs = {50f, 180f, 320f, 460f};
int colCount = colXs.length;
// 使用PDFTextStripperByArea按区域提取文本
PDFTextStripperByArea stripper = new PDFTextStripperByArea();
stripper.setSortByPosition(true);
for (int i = 0; i < colCount; i++) {
float x = colXs[i];
float width = (i == colCount - 1) ? pageWidth - x : colXs[i + 1] - x;
Rectangle2D.Float rect = new Rectangle2D.Float(x, 50, width, pageSize.getHeight() - 100);
stripper.addRegion("col" + i, rect);
}
List<String[]> rows = new ArrayList<>();
String pageText = new PDFTextStripper().getText(doc);
// 更优做法：遍历每行文本，用TextPosition逐字定位 → 但此处为简化，采用区域提取+按行切分
// 实际项目中建议使用 tabula-java（封装了成熟表格检测算法）：
// https://github.com/tabulapdf/tabula-java
// Command line: java -jar tabula.jar -r -o output.csv example.pdf
// Java API: com.github.tabula.TableExtractor
// 此处演示写入Excel（保留空列）
Row headerRow = sheet.createRow(rowNum++);
for (int i = 0; i < colCount; i++) {
Cell cell = headerRow.createCell(i);
cell.setCellValue("Column " + (i + 1));
}
// 模拟提取的带空列数据（真实逻辑需根据坐标填充）
List<String[]> rawData = Arrays.asList(
new String[]{"Alice", "Math", "", "95"},
new String[]{"Bob", "", "Physics", "87"},
new String[]{"Charlie", "Chemistry", "", "92"}
);
for (String[] row : rawData) {
Row excelRow = sheet.createRow(rowNum++);
for (int i = 0; i < Math.min(colCount, row.length); i++) {
Cell cell = excelRow.createCell(i);
cell.setCellValue(row[i] != null ? row[i].trim() : "");
}
}
workbook.write(fos);
}
}
}⚠️ 重要注意事项：
- 列边界需校准：首次使用务必用 PDF 阅读器（如 Foxit Reader 的“测量工具”）获取真实坐标，PDFBox 坐标系原点在左下角，y轴向上增长；
- 避免硬编码：生产环境应实现自动列检测——扫描首几行文本块的x坐标分布，用K-means或阈值聚类识别列分隔线；
- 优先选用 Tabula-java：它内置了启发式表格线检测与文本对齐算法，对扫描件/线框表支持更佳，且提供稳定Java API；
- 字体与旋转：若PDF含旋转文本或非标准字体，需启用 setShouldSeparateByBeads(false) 并处理 TextPosition.getDir()；
- 合并单元格：PDF中跨列/跨行单元格需额外解析 PDPageContentStream 绘图指令，普通文本提取无法还原，此时建议结合 Apache POI 的 CellRangeAddress 手动设置。
总结：PDF转Excel的本质是从布局还原语义。放弃纯正则/换行分割思维，拥抱坐标驱动的表格重建逻辑，才能真正保留原始PDF的列结构与空单元格——这是专业文档自动化不可绕过的一步。
