Java环境下PDF表格提取时保留空列结构的可靠方案咨询

我目前有25–30种不同结构的PDF文档，每种都包含结构各异的表格。我的最终目标是提取特定标题之间的表格数据，并通过Java将其转换为JSON格式（将每一列映射到特定字段）。

但我在使用Apache PDFBox时遇到了一个核心问题：如果表格的单元格/列是空的，PDF文本中没有任何空格或占位符，导致提取的文本会合并相邻列，彻底破坏表格结构。换句话说，PDFBox不会为空列插入任何间距，所以输出文本里的列布局完全丢失了。

我尝试过把原始PDF喂给ChatGPT，用零温度提示词，希望它能稳定地把表格解析成JSON，但每次结果都不一致。因为这种不确定性，我更倾向于基于文本的方案：先提取出结构一致的文本，再把文本喂给AI（或其他基于规则的逻辑）转换成JSON。但如果文本提取工具无法保留空列的结构，就几乎不可能可靠地映射列了。

上面是一个包含缺失列的行示例，它应该被处理成：

"TOPLAM missing_column missing_column missing_column 70,000,000.00 70,427,300.00 4.88"

理想的提取结果应该是以下两种格式之一：

"TOPLAM       70,000,000.00 70,427,300.00 4.88"

或者

TOPLAM | [empty] | [empty] | [empty] | 70,000,000.00 | 70,427,300.00 | 4.88

我的疑问如下：

• 是否可以配置Apache PDFBox，使其保留空列/单元格的间距或占位符，以维持表格结构？
• 有没有其他Java库或技术（比如Tabula、iText、OCR工具等）能更好地保留表格列结构，即使存在空列？是否需要依赖边界框坐标或者PDF转HTML的方法来保持布局一致性？
• 有没有人遇到过类似的“隐形”空列问题，你们是怎么解决的？我希望尽量避免手动编写针对单个PDF的自定义代码，因为我有很多种PDF变体。

如果上述方案都不可行，我是不是应该直接提取PDF的相关部分，然后喂给微调后的AI模型？

任何关于如何确保可靠提取表格、避免空列破坏布局的建议，我都非常感激。

备注：内容来源于stack exchange，提问作者Requiet