使用Java的iText读取PDF表格时无法识别空白列问题求助

我之前也帮不少开发者解决过类似的iText表格提取问题，你遇到的空白列被跳过的情况，本质是默认文本提取策略只盯着有文本的区域，完全忽略了空单元格的位置边界。下面给你一套可行的解决方案，亲测有效：

核心思路 #

不再单纯依赖文本内容判断单元格，而是先定位所有单元格的坐标边界，再逐个检查每个单元格范围内是否有文本——没有文本的就标记为空白（空字符串），这样就能完整保留表格的行列结构，不会跳过空白列。

具体实现步骤 #

1. 先提取表格所有单元格的坐标边界 #

首先得明确每个单元格在PDF页面上的位置（x1, y1, x2, y2），这是关键。如果你的表格有明确边框，可以通过解析PDF页面的线条来获取：

• 遍历页面的PdfContentByte，提取所有路径线条，筛选出表格的横竖分隔线
• 根据这些线条的坐标，计算出每个单元格的矩形范围，存到List<Rectangle>里

如果表格没有边框，就得根据文本的排列规律来划分：比如把同一行的文本按x坐标分组得到列，再按行高划分出行，从而生成单元格范围。

2. 自定义文本提取策略，记录所有文本块的位置 #

重写LocationTextExtractionStrategy时，不要只重写getResultantText()，而是在renderText()方法里把每个文本块的内容和坐标都存起来：

public class TableAwareTextExtractionStrategy extends LocationTextExtractionStrategy {
    private List<TextChunk> textChunks = new ArrayList<>();

    @Override
    public void renderText(TextRenderInfo renderInfo) {
        super.renderText(renderInfo);
        // 获取文本块的边界矩形（包含文本的实际位置）
        Rectangle textRect = renderInfo.getAscentLine().getBoundingRectangle();
        textChunks.add(new TextChunk(renderInfo.getText(), textRect));
    }

    // 核心方法：根据单元格坐标列表，提取每个单元格的内容（空白单元格返回空字符串）
    public List<String> extractCellContents(List<Rectangle> cellRectangles) {
        List<String> cellContents = new ArrayList<>();
        for (Rectangle cellRect : cellRectangles) {
            StringBuilder cellContent = new StringBuilder();
            // 检查每个文本块是否落在当前单元格范围内
            for (TextChunk chunk : textChunks) {
                // 用intersects判断，避免坐标精确匹配的误差
                if (chunk.getRect().intersects(cellRect)) {
                    cellContent.append(chunk.getText());
                }
            }
            // 没有内容就存空字符串，否则存trim后的文本
            cellContents.add(cellContent.length() == 0 ? "" : cellContent.toString().trim());
        }
        return cellContents;
    }

    // 自定义类，存储文本块的内容和坐标
    private static class TextChunk {
        private final String text;
        private final Rectangle rect;

        public TextChunk(String text, Rectangle rect) {
            this.text = text;
            this.rect = rect;
        }

        public String getText() { return text; }
        public Rectangle getRect() { return rect; }
    }
}

3. 调用策略提取完整的表格数据 #

拿到单元格坐标列表后，就可以用自定义策略提取每个单元格的内容了：

// 初始化PDF文档
PdfDocument pdfDoc = new PdfDocument(new PdfReader("your-table.pdf"));
PdfPage page = pdfDoc.getPage(1);

// 第一步：获取所有单元格的坐标（这里的getTableCellRectangles需要你自己实现）
List<Rectangle> cellRectangles = getTableCellRectangles(page);

// 第二步：使用自定义策略提取文本
TableAwareTextExtractionStrategy extractionStrategy = new TableAwareTextExtractionStrategy();
new PdfCanvasProcessor(extractionStrategy).processPageContent(page);

// 第三步：获取包含空白单元格的完整内容列表
List<String> allCellContents = extractionStrategy.extractCellContents(cellRectangles);

关键注意点 #

• 坐标转换：PDF的坐标系原点在页面左下角，计算单元格时要注意y轴方向，避免上下颠倒。
• 误差处理：判断文本块是否在单元格内时，用intersects()而不是精确匹配，避免因字体渲染的微小坐标偏移导致漏判。
• 无边框表格：如果表格没有边框，可以通过统计同一行文本的y坐标范围来划分行，再按x坐标的分组来划分列，生成单元格范围。

内容的提问来源于stack exchange，提问作者romana parween