使用PDFBox按表头/表格提取PDF数据及元数据获取问题求助

• 目标需求：从PDF的「Summary Of Charges」表头下，提取费用项名称、数量、金额数据
• 现存问题：
  • 无法明确区分目标数据属于表头还是表格范畴
  • 尝试获取PDF元数据时，metadata变量返回null
  • 现有代码仅能提取零散文本，无法精准定位表格数据

PDF示例截图：

问题代码展示 #

1. 获取元数据返回null的代码 #

PDDocument document = PDDocument.load(new File("invoice.pdf"));

if(!document.isEncrypted()) {
    PDFTextStripper stripper  = new PDFTextStripper();
    stripper.setSortByPosition(true);
    String text = stripper.getText(document);
    
    PDDocumentInformation info = document.getDocumentInformation();
    PDDocumentCatalog catalog = document.getDocumentCatalog();
    PDMetadata metadata = catalog.getMetadata();
    InputStream stream = metadata.createInputStream();
}
document.close();

2. 仅能提取零散文本的代码 #

PDDocument document = PDDocument.load(new File("invoice.pdf"));

if(!document.isEncrypted()) {
    PDFTextStripper stripper  = new PDFTextStripper();
    stripper.setSortByPosition(true);
    String text = stripper.getText(document);
    //InputStream stream = metadata.createInputStream();
    System.out.print("Text:" + text);
}
document.close();

解决方案 #

1. 元数据返回null的说明 #

PDF的结构化元数据（如XMP）并非所有文件都会嵌入，返回null属于正常情况，无需依赖元数据，直接从文本布局入手提取表格即可。

2. 精准提取表格数据的实现方法 #

PDFBox原生无表格识别功能，需结合文本位置信息判断行列：

方法一：用PDFTextStripperByArea定位区域

先定位表头位置，再提取下方表格内容（需根据实际PDF调整坐标）：

PDDocument document = PDDocument.load(new File("invoice.pdf"));
PDFTextStripperByArea stripper = new PDFTextStripperByArea();
stripper.setSortByPosition(true);

// 定位表头区域（坐标需自行测量调整）
Rectangle2D headerArea = new Rectangle2D.Double(50, 600, 500, 50);
stripper.addRegion("header", headerArea);
stripper.extractRegions(document.getPage(0));
String headerText = stripper.getTextForRegion("header");

if (headerText.contains("Summary Of Charges")) {
    // 定位表头下方的表格区域
    Rectangle2D tableArea = new Rectangle2D.Double(50, 100, 500, 500);
    stripper.addRegion("table", tableArea);
    stripper.extractRegions(document.getPage(0));
    String tableText = stripper.getTextForRegion("table");
    
    // 按行拆分，再按多空格分割列
    String[] rows = tableText.split("\\r?\\n");
    for (String row : rows) {
        String[] columns = row.trim().split("\\s{2,}");
        if (columns.length >= 3) {
            String item = columns[0];
            String quantity = columns[1];
            String amount = columns[2];
            System.out.printf("项目：%s，数量：%s，金额：%s%n", item, quantity, amount);
        }
    }
}
document.close();

方法二：自定义PDFTextStripper获取位置信息

继承PDFTextStripper获取每个字符的坐标，按Y坐标分组行、X坐标排序列：

public class TableTextStripper extends PDFTextStripper {
    private List<TextPosition> textPositions = new ArrayList<>();

    public TableTextStripper() throws IOException {
        super();
    }

    @Override
    protected void writeString(String text, List<TextPosition> textPositions) throws IOException {
        this.textPositions.addAll(textPositions);
        super.writeString(text, textPositions);
    }

    public List<TextPosition> getTextPositions() {
        return textPositions;
    }
}

使用示例：

PDDocument document = PDDocument.load(new File("invoice.pdf"));
TableTextStripper stripper = new TableTextStripper();
stripper.setSortByPosition(true);
stripper.getText(document);
List<TextPosition> positions = stripper.getTextPositions();

// 按Y坐标分组（同一行Y值接近，取整避免精度问题）
Map<Float, List<TextPosition>> rowMap = new TreeMap<>(Collections.reverseOrder());
for (TextPosition pos : positions) {
    float yKey = Math.round(pos.getY() * 10) / 10.0f;
    rowMap.computeIfAbsent(yKey, k -> new ArrayList<>()).add(pos);
}

// 遍历每行，按X坐标排序拆分列
for (List<TextPosition> row : rowMap.values()) {
    row.sort(Comparator.comparing(TextPosition::getX));
    StringBuilder rowText = new StringBuilder();
    for (TextPosition pos : row) {
        rowText.append(pos.getUnicode());
    }
    String[] columns = rowText.toString().trim().split("\\s{2,}");
    if (columns.length >= 3) {
        System.out.printf("项目：%s，数量：%s，金额：%s%n", columns[0], columns[1], columns[2]);
    }
}
document.close();

3. 简化开发的辅助工具 #

若PDF结构复杂，可直接使用专门的表格提取库（如Tabula），或集成Apache Tika（基于PDFBox），能快速导出表格数据为CSV/JSON格式，减少自定义开发工作量。

内容的提问来源于stack exchange，提问作者poojay