PDF表格转Excel，精准保留列对齐和空格

在文章实战开发的过程中，我们经常会遇到一些这样那样的问题，然后要卡好半天，等问题解决了才发现原来一些细节知识点还是没有掌握好。今天golang学习网就整理分享《PDF表格转Excel，精准保留列对齐与空单元格》，聊聊，希望可以帮助到正在努力赚钱的你。

本文介绍如何准确提取PDF中的表格结构并导出为Excel文件，解决传统文本提取导致的列错位、空列丢失等问题，推荐使用Apache PDFBox结合坐标分析实现列定位，并通过Apache POI生成规范Excel。

PDF文档中以表格形式呈现的数据（如学生成绩单、财务报表）往往具有严格的列对齐和空白单元格语义。仅依赖PdfTextExtractor.getTextFromPage()进行换行分割（如原代码所示）会丢失所有空间布局信息——文本虽按视觉顺序提取，但列边界、跨列合并、空单元格等关键结构完全坍缩，最终CSV中“name some data some data 1”这类扁平化结果无法还原原始二维表关系。

要真正还原PDF表格，核心在于基于文本坐标（x/y位置）进行列划分。Apache PDFBox 提供了底层文本渲染信息访问能力，可获取每个字符或文本块的精确坐标。以下为完整解决方案流程：

✅ 步骤一：识别列边界（基于首行标题或统计分布）

// 使用 PDFBox 提取带坐标的文本片段
PDFTextStripperByArea stripper = new PDFTextStripperByArea();
Rectangle2D rect = new Rectangle2D.Float(x, y, width, height);
stripper.addRegion("header", rect);

// 更推荐：遍历每页所有文本操作符，获取TextPosition对象
PDFParser parser = new PDFParser(new RandomAccessFile("example.pdf", "r"));
parser.parse();
PDDocument doc = parser.getPDDocument();
PDFTextStripper stripper = new PDFTextStripper() {
    @Override
    protected void writeString(String string, List<TextPosition> textPositions) throws IOException {
        for (TextPosition tp : textPositions) {
            System.out.printf("Text='%s', X=%.2f, Y=%.2f%n", 
                tp.getUnicode(), tp.getX(), tp.getY());
        }
        super.writeString(string, textPositions);
    }
};
stripper.setSortByPosition(true); // 启用坐标排序（重要！）
stripper.getText(doc);

✅ 步骤二：动态计算列分隔线（示例：基于首行标题X坐标聚类）

// 假设已提取首行所有文本块及其x坐标（left edge）
List<Float> headerXs = Arrays.asList(50.2f, 180.5f, 320.0f, 450.8f, 590.3f); // 示例坐标
List<Float> columnBounds = new ArrayList<>();
columnBounds.add(headerXs.get(0)); // 左边界
for (int i = 1; i < headerXs.size(); i++) {
    float mid = (headerXs.get(i-1) + headerXs.get(i)) / 2;
    columnBounds.add(mid);
}
columnBounds.add(800f); // 右边界（根据页面宽度调整）

✅ 步骤三：按列归集数据，生成Excel（使用 Apache POI）

XSSFWorkbook workbook = new XSSFWorkbook();
XSSFSheet sheet = workbook.createSheet("Data");

// 每行数据按列填充（缺失列补空字符串）
for (int i = 1; i <= pages; i++) {
    PDPage page = doc.getPage(i-1);
    List<TextPosition> allTexts = extractSortedTextPositions(page); // 自定义方法

    // 按Y坐标分组为逻辑行（阈值≈字体高度*1.5）
    Map<Double, List<TextPosition>> rows = groupByY(allTexts, 15.0);

    int rowNum = sheet.getLastRowNum() + 1;
    for (List<TextPosition> rowTexts : rows.values()) {
        XSSFRow row = sheet.createRow(rowNum++);
        String[] cells = new String[columnBounds.size() - 1];

        for (TextPosition tp : rowTexts) {
            float x = tp.getX();
            int colIndex = findColumnIndex(x, columnBounds); // 二分查找所属列
            if (colIndex >= 0 && colIndex < cells.length) {
                cells[colIndex] = (cells[colIndex] == null ? "" : cells[colIndex]) + tp.getUnicode();
            }
        }

        // 写入Excel行（自动处理空列）
        for (int c = 0; c < cells.length; c++) {
            XSSFCell cell = row.createCell(c);
            cell.setCellValue(cells[c] != null ? cells[c].trim() : "");
        }
    }
}

// 保存文件
try (FileOutputStream out = new FileOutputStream("output.xlsx")) {
    workbook.write(out);
}

⚠️ 注意事项与优化建议：

• 字体与旋转干扰：PDF中倾斜/旋转文本需调用 tp.getDir() 和 tp.getRotation() 校正坐标；
• 合并单元格：PDF无原生“合并”概念，需检测相邻文本块Y重叠且X连续，人工标记合并范围；
• 性能优化：对多页大PDF，避免重复计算列边界——可先扫描第1–3页确定稳定列宽，后续页复用；
• 替代方案：若PDF是扫描件（图像型），需先用Tesseract OCR + 表格检测模型（如TableNet）；若为标准PDF且结构规整，可尝试开源工具 tabula-java（命令行或Java API）直接提取表格；
• 列头识别：首行不一定是标题，建议结合字体大小、加粗属性（tp.getFontSizeInPt() > 12 && tp.getFont().isBold()）增强判断鲁棒性。

最终生成的Excel将严格保留PDF中每一列的位置关系，包括中间空列（显示为空白单元格），真正实现“所见即所得”的表格迁移。

以上就是《PDF表格转Excel，精准保留列对齐和空格》的详细内容，更多关于的资料请关注golang学习网公众号！