pdf解析

[一叶飞舟]

最近有一个需求，要把新三板挂牌公司年报（pdf文件）的各种表格数据解析出来。

但是问题来了，怎么能准确找到某列对应的某值（因为，表格中的列名顺序不固定，名称也会有差异）。

各位大神，有谁做过这方面的研究，欢迎讨论讨论，有什么先进的处理技巧、方法、代码欢迎贴上，不甚感激！

[一叶飞舟]

[一叶飞舟]

[一叶飞舟]

现在需要明确几个问题： 1、针对这类财报的解析，表的名称相对而言是相同的； 2、表格中的每个标题会有差异，包括前后顺序、个数； 3、表格在pdf的位置是不固定的； 通过位置获取，是否需要提供一个表名称，这样从这个位置开始，读表格内容？ 但是问题来了，pdfbox或itext解析表格的时候，并不会按照表格的排版输出content，所以会造成行标题混乱，数据混乱，无法彼此对应，这个问题如何处理？

[一叶飞舟]

[一叶飞舟]

[能源恒观]

帮忙顶一下，同样关注，大神出来解答一下

[jack_qdb]

一般使用开源的iText库来创建PDF文档，不过这个库也提供了解析已有pdf文档的API，本人没有用过，你可以参阅下官网http://itextpdf.com/ pdf的表格格式大小位置都不变的话，可以考虑用位置来获取值 pdfbox有个demo是按位置提取text， 另外还有一个demo帮助你找到每个字符的位置 但如果pdf是扫描的，那得找ocr控件获取text pdf中也有个acroForm的东西，但至今没有遇到过pdf含有此单元，所以没做过，楼主也可以试着在document中找找有没有这个元素，如果有可能更简单 如果楼主想先看一下pdf的结构，pdfbox有app版，之中有个debbuger可以查看pdf结构 对于一些画上去的checkbox之类，我找到的办法是将pdf转为image然后判断特定位置上pixel值判定checkbox有没有被选中 但由于pdfbox中toImage单元还处于beta阶段，不太稳定，有时候一些font的问题会导致程序崩溃，建议在转image之前清除所有文字

[一叶飞舟]