iText7直接读表格常失败，因其不解析表格结构，仅通过坐标推断单元格边界，遇图片嵌入、合并单元格无语义标记或单字符绘制时，LocationTextExtractionStrategy便输出乱序文本。
为什么iText7直接读表格经常失败
iText7本身不解析表格结构，它只提供底层PDF对象（如Page、Canvas、PdfArray）的访问能力。所谓“读表格”，实际是靠坐标推断单元格边界——一旦PDF用图片嵌入表格、合并单元格未标记语义、或文字被拆成单字符绘制，LocationTextExtractionStrategy就只能返回乱序文本。
常见错误现象：GetTextContent()输出全是一行字符串，或者列错位严重；调试时发现RenderInfo.GetBaseline().GetStartPoint()返回null——说明文本渲染未触发坐标捕获逻辑。
- 优先检查PDF是否含真实文本：用Adobe Reader按Ctrl+A能否全选表格内容；不能则基本要转OCR或弃用iText7
- 若含文本，必须用
FilteringTextExtractionStrategy配合RegionTextExtractionStrategy限定区域，避免页眉页脚干扰 - 不要依赖
MoveText()或SetTextMatrix()还原原始布局——PDF中这些操作常被优化合并，坐标信息已丢失
Tabula的Java服务怎么在C#里调用
Tabula是Java写的命令行工具，C#无法直接引用其jar包。可行路径只有两种：启动子进程调用tabula.jar，或部署Tabula Server（REST API）。前者更轻量，后者适合高并发场景。
关键点在于参数控制精度：--pages指定页码范围，--guess开启自动检测但易误判边框，--stream模式更适合无边框表格（但会把相邻文本块强行切分）。
- 命令示例：
java -jar tabula.jar --pages 1-3 --guess --format JSON input.pdf，输出JSON可直接用System.Text.Json.JsonSerializer.Deserialize<List<Dictionary<string, object>>>()反序列化 - Windows下注意
java必须在PATH中，否则Process.Start()抛Win32Exception: 系统找不到指定的文件 - 输出CSV时务必加
--no-spreadsheet，否则Tabula会把多页表格拼成单表，列头重复出现
iText7 + Tabula混合策略的关键衔接点
纯iText7适合提取带明确语义标记的PDF（如PDF/UA合规文档），Tabula适合扫描件或排版混乱的报表。两者混合不是简单“先试iText7再fallback到Tabula”，而是按页面特征分流处理。
判断依据应基于PDF元数据与内容分析：用PdfReader.GetNumberOfPages()和PdfReader.GetPdfObject(PdfName.Type).ToString()确认是否为/Page类型；再对首页用PdfCanvasProcessor统计图像对象数量——超过3张图且文本密度低于0.2（字符数/页面面积）就直接走Tabula。
- 分流逻辑必须封装成独立方法，避免在循环中反复创建
PdfReader，否则内存泄漏明显 - Tabula输出JSON里的
top/left坐标单位是pt，需除以72转换为英寸，再与iText7中PageSize.GetWidth()对比做归一化校验 - 合并多页结果时，用
DataTable.Merge()前先检查列名是否一致，Tabula可能把“金额(元)”识别成“金额 元”导致列错位
导出为DataTable时最容易丢的数据类型
PDF里没有“日期”或“数字”概念，所有内容都是字符串。iText7和Tabula输出的原始字段全是string，如果直接塞进DataTable.Columns.Add("date", typeof(DateTime))，遇到空格或“N/A”就抛FormatException。
真正安全的做法是先用DataTable接收全部string列，再逐列尝试类型推断：对疑似日期列用DateTime.TryParseExact(value, "yyyy-MM-dd", ...)；对数字列用decimal.TryParse(value.Replace(",", "").Trim(), out var d)。
- 特别注意千分位逗号和货币符号：Tabula可能把“¥1,234.56”拆成“¥1”和“234.56”两列，需提前用正则
Regex.Replace(text, @"[^\d.-]", "")清洗 - iText7提取的文本可能含零宽空格（
\u200B），用value.Trim('\u200B', ' ', '\t')再判断是否为空 - 不要信任
DataTable.Load()的自动类型推断——它只看前几行，而PDF表格常有表头、汇总行、空行混排
表格识别不是管道式流程，每一步都要验证中间产物。比如Tabula输出JSON后，先用JObject.Parse()检查是否有error字段；iText7遍历PdfPage前，先确认PdfPage.GetPageSize()不为null——这些细节能省掉80%的深夜调试时间。
