如何将表格型PDF转换为Excel以保留空列结构？

你的问题根源在于纯文本提取无法保留表格的列位置信息——原PDF表格的空列仅靠空白字符占位，提取后会被合并压缩，导致CSV/Excel无法识别空列。要解决这个问题，必须先识别PDF中的表格结构，再按行列映射写入Excel。

以下是两种可行的Java实现方案：

方案1：使用iText 7 + Apache POI #

iText 7提供了专门的表格提取API，能精准识别PDF中的结构化表格，结合Apache POI可直接将数据写入Excel并保留空列。

步骤1：添加Maven依赖 #

<dependencies>
    <!-- iText 7 核心及表格提取组件 -->
    <dependency>
        <groupId>com.itextpdf</groupId>
        <artifactId>itext7-core</artifactId>
        <version>7.2.5</version>
        <type>pom</type>
    </dependency>
    <dependency>
        <groupId>com.itextpdf</groupId>
        <artifactId>itext7-table-extractor</artifactId>
        <version>7.2.5</version>
    </dependency>
    <!-- Apache POI 用于生成Excel文件 -->
    <dependency>
        <groupId>org.apache.poi</groupId>
        <artifactId>poi</artifactId>
        <version>5.2.5</version>
    </dependency>
    <dependency>
        <groupId>org.apache.poi</groupId>
        <artifactId>poi-ooxml</artifactId>
        <version>5.2.5</version>
    </dependency>
</dependencies>

步骤2：代码实现 #

import com.itextpdf.kernel.pdf.PdfDocument;
import com.itextpdf.kernel.pdf.PdfReader;
import com.itextpdf.layout.element.Table;
import org.apache.poi.ss.usermodel.Row;
import org.apache.poi.ss.usermodel.Sheet;
import org.apache.poi.ss.usermodel.Workbook;
import org.apache.poi.xssf.usermodel.XSSFWorkbook;

import java.io.FileOutputStream;
import java.io.IOException;
import java.util.List;

public class PdfTableToExcel {
    public static void convertPdfTableToExcel(String pdfPath, String excelPath) throws IOException {
        try (PdfReader reader = new PdfReader(pdfPath);
             PdfDocument pdfDoc = new PdfDocument(reader);
             Workbook workbook = new XSSFWorkbook();
             FileOutputStream fos = new FileOutputStream(excelPath)) {

            Sheet sheet = workbook.createSheet("PDF表格");
            int rowIdx = 0;

            // 遍历PDF每一页提取表格
            for (int pageNum = 1; pageNum <= pdfDoc.getNumberOfPages(); pageNum++) {
                List<Table> tables = Table.extractTables(pdfDoc.getPage(pageNum));
                
                for (Table table : tables) {
                    // 遍历表格行，写入Excel
                    table.getRows().forEach(tableRow -> {
                        Row excelRow = sheet.createRow(rowIdx++);
                        int colIdx = 0;
                        // 遍历所有单元格（包括空列）
                        tableRow.getCells().forEach(cell -> {
                            String cellText = cell.getText().trim();
                            excelRow.createCell(colIdx++).setCellValue(cellText);
                        });
                    });
                }
            }

            // 自动调整列宽
            for (int i = 0; i < sheet.getRow(0).getPhysicalNumberOfCells(); i++) {
                sheet.autoSizeColumn(i);
            }

            workbook.write(fos);
        }
    }

    public static void main(String[] args) throws IOException {
        convertPdfTableToExcel("example.pdf", "student.xlsx");
    }
}

方案2：使用Apache PDFBox + Apache POI #

Apache PDFBox的表格扩展工具可识别文本表格，适合处理纯文本模拟的PDF表格（无结构化表格标签）。

步骤1：添加Maven依赖 #

<dependencies>
    <!-- Apache PDFBox 核心 -->
    <dependency>
        <groupId>org.apache.pdfbox</groupId>
        <artifactId>pdfbox</artifactId>
        <version>2.0.32</version>
    </dependency>
    <!-- PDFBox 表格提取扩展 -->
    <dependency>
        <groupId>org.apache.pdfbox</groupId>
        <artifactId>pdfbox-table-extractor</artifactId>
        <version>2.0.32</version>
    </dependency>
    <!-- Apache POI -->
    <dependency>
        <groupId>org.apache.poi</groupId>
        <artifactId>poi</artifactId>
        <version>5.2.5</version>
    </dependency>
    <dependency>
        <groupId>org.apache.poi</groupId>
        <artifactId>poi-ooxml</artifactId>
        <version>5.2.5</version>
    </dependency>
</dependencies>

步骤2：代码实现 #

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.poi.ss.usermodel.Row;
import org.apache.poi.ss.usermodel.Sheet;
import org.apache.poi.ss.usermodel.Workbook;
import org.apache.poi.xssf.usermodel.XSSFWorkbook;

import java.io.FileOutputStream;
import java.io.IOException;
import java.util.ArrayList;
import java.util.List;

public class PdfBoxTableToExcel {
    public static void convert(String pdfPath, String excelPath) throws IOException {
        try (PDDocument document = PDDocument.load(new java.io.File(pdfPath));
             Workbook workbook = new XSSFWorkbook();
             FileOutputStream fos = new FileOutputStream(excelPath)) {

            Sheet sheet = workbook.createSheet("PDF表格");
            int rowIndex = 0;
            List<List<String>> tableData = new ArrayList<>();

            // 遍历每一页提取文本，按多空格拆分列（保留空项）
            PDFTextStripper stripper = new PDFTextStripper();
            for (int page = 0; page < document.getNumberOfPages(); page++) {
                stripper.setStartPage(page + 1);
                stripper.setEndPage(page + 1);
                String pageText = stripper.getText(document);
                String[] lines = pageText.split("\n");
                
                for (String line : lines) {
                    // 按2个及以上空格拆分，-1参数保留末尾空列
                    String[] columns = line.split("\\s{2,}", -1);
                    tableData.add(List.of(columns));
                }
            }

            // 将数据写入Excel
            for (List<String> rowData : tableData) {
                Row row = sheet.createRow(rowIndex++);
                int colIndex = 0;
                for (String cell : rowData) {
                    row.createCell(colIndex++).setCellValue(cell.trim());
                }
            }

            workbook.write(fos);
        }
    }

    public static void main(String[] args) throws IOException {
        convert("example.pdf", "student.xlsx");
    }
}

关键说明 #

• 优先选择iText方案：对带结构化标签的PDF表格识别精度更高，能完美保留空列。
• 纯文本模拟的表格：需通过文本的X坐标或固定宽度判断列边界，PDFBox方案可根据实际调整拆分规则。

内容的提问来源于stack exchange，提问作者Alexander