如何将PDF表格精准转换为Excel（而非简单CSV）_技术教程

本文介绍如何基于pdfbox等专业库，将含表格结构的pdf文件准确转换为excel格式，解决传统文本提取导致列对齐丢失、空列缺失等问题。

将PDF转换为CSV或Excel看似简单，但当PDF中包含真实表格结构时，仅依赖PdfTextExtractor.getTextFromPage()进行换行分割（如原代码所示）会彻底丢失列定位信息——因为PDF本质是图形/流式布局，不是语义化表格。你遇到的 "name some data some data 1" 合并问题，正是由于所有文本被扁平化为一行行字符串，列边界（如竖线、空白间距、字体对齐）未被识别所致。

要真正还原表格结构，必须采用基于坐标的空间分析法：通过解析每个文本片段（TextPosition）的精确x/y坐标、宽度和字体信息，推断列分隔位置，并按列组织数据行。推荐使用 Apache PDFBox 2.0+ 配合自定义TextStripper，或更高效的专用表格提取库：

✅ 推荐方案：使用 PDFBox + 列边界检测（轻量可控）

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.text.TextPosition;

import java.io.File;
import java.util.*;

public class TableAwarePDFStripper extends PDFTextStripper {
    private final List columnXCoords = new ArrayList<>();
    private final Map> tableRows = new HashMap<>();

    public TableAwarePDFStripper(List expectedColumns) throws Exception {
        super();
        this.columnXCoords.addAll(expectedColumns); // 可预先用Foxit/Adobe测量列左边界
    }

    @Override
    protected void writeString(String string, List textPositions) throws IOException {
        if (textPositions.isEmpty()) return;

        // 取首字符x坐标作为行定位基准
        float startX = textPositions.get(0).getXDirAdj();
        String trimmed = string.trim();
        if (trimmed.isEmpty()) return;

        // 按最近列边界分组（简化版：找最接近的左侧坐标）
        int colIndex = 0;
        if (!columnXCoords.isEmpty()) {
            float minDist = Float.MAX_VALUE;
            for (int i = 0; i < columnXCoords.size(); i++) {
                float dist = Math.abs(startX - columnXCoords.get(i));
                if (dist < minDist) {
                    minDist = dist;
                    colIndex = i;
                }
            }
        }

        // 按页码+行号（y坐标取整）归组
        int page = getCurrentPageNo();
        float y = Math.round(textPositions.get(0).getYDirAdj());
        int key = (page << 16) | ((int) y); // 粗略行标识

        tableRows.computeIfAbsent(key, k -> new ArrayList<>(Collections.nCopies(columnXCoords.size(), "")))
                 .set(colIndex, trimmed);
    }

    public List> getTableData() {
        return tableRows.values().stream()
                .filter(row -> row.stream().anyMatch(s -> !s.isEmpty()))
                .toList();
    }
}

? 使用示例（导出为Excel）

public void convertToExcel(String pdfPath, String excelPath) throws Exception {
    try (PDDocument doc = PDDocument.load(new File(pdfPath))) {
        // 步骤1：手动测量或自动探测列边界（首次可硬编码，如 [50f, 180f, 320f, 450f]）
        List columns = Arrays.asList(50f, 180f, 320f, 450f);

        TableAwarePDFStripper stripper = new TableAwarePDFStripper(columns);
        stripper.setSortByPosition(true); // 关键：保持阅读顺序
        stripper.setStartPage(1);
        stripper.setEndPage(doc.getNumberOfPages());

        stripper.getText(doc); // 触发解析

        // 步骤2：写入Excel（使用Apache POI）
        try (XSSFWorkbook workbook = new XSSFWorkbook();
             FileOutputStream fos = new FileOutputStream(excelPath)) {

            XSSFSheet sheet = workbook.createSheet("Extracted Table");
            int rowNum = 0;
            for (List row : stripper.getTableData()) {
                XSSFRow excelRow = sheet.createRow(rowNum++);
                for (int i = 0; i < row.size(); i++) {
                    XSSFCell cell = excelRow.createCell(i);
                    cell.setCellValue(row.get(i));
                }
            }
            workbook.write(fos);
        }
    }
}

⚠️ 注意事项与进阶建议

列边界获取：首次处理时，可用 Foxit Reader 或 Adobe Acrobat 的“测量工具”标出各列左边缘x坐标；进阶可实现自动列检测（统计所有文本块x坐标的聚类中心）。
空单元格处理：本方案通过预设列数+默认空字符串填充，确保Excel列对齐；若列宽动态变化，需在writeString中动态维护columnXCoords。
替代库推荐：
- Tabula（开源）：专为PDF表格设计，提供CLI/API，支持自动列识别，https://www./link/7421f7613315d16a720f5ad52a4b8b6a；
- Camelot（Python生态）：精度高，但需Python环境；
- pdfplumber（Python）：底层基于PDFMiner，坐标分析能力极强。
避免陷阱：勿用iText 7的getTextFromPage()直接切分——它不保留位置信息；也慎用正则匹配空格分隔，PDF中空格可能是字体间距而非语义分隔符。