如何将PDF表格精准转换为Excel（含列对齐与空单元格保留）

本文介绍如何基于pdfbox等专业库，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。

将PDF（尤其是带格式的表格型PDF）直接转为CSV或Excel，绝非简单的换行符分割或空格替换——正如您在代码中所见，PdfTextExtractor.getTextFromPage() 仅返回线性文本流，完全丢失了原始PDF中由坐标、字体、间距定义的二维表格结构。因此，"name | some data | | some data 1" 在纯文本解析后坍缩为 "name some data some data 1"，中间空列彻底消失。

要真正还原表格语义，关键在于基于坐标的空间分析（Spatial Analysis）：通过获取每个文本片段（Text Chunk）的精确边界框（Rectangle2D 或 PDRectangle），按水平位置聚类列，再按垂直顺序组织行。

推荐使用 Apache PDFBox + Tabula-j

ava（底层依赖PDFBox） 或 PDFBox 自定义表格检测器。以下以 PDFBox 2.0+ 为例，展示一个轻量但可靠的列感知提取方案：

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripperByArea;
import org.apache.pdfbox.text.TextPosition;
import org.apache.pdfbox.pdmodel.common.PDRectangle;
import org.apache.poi.ss.usermodel.*;
import org.apache.poi.xssf.usermodel.XSSFWorkbook;

import java.io.File;
import java.io.FileOutputStream;
import java.util.*;

public class PdfTableToExcel {
    public static void convertToExcel(String pdfPath, String excelPath) throws Exception {
        try (PDDocument doc = PDDocument.load(new File(pdfPath));
             Workbook workbook = new XSSFWorkbook();
             FileOutputStream fos = new FileOutputStream(excelPath)) {

            Sheet sheet = workbook.createSheet("TableData");
            int rowNum = 0;

            // 假设第1页含表格（实际中需动态检测表格区域）
            PDRectangle pageSize = doc.getPage(0).getPageSize();
            float pageWidth = pageSize.getWidth();

            // 【关键】手动定义列边界（单位：点，1/72英寸）——可先用Foxit Reader或PDFBox Debugger测量
            // 示例：4列，x坐标分别为 [50, 180, 320, 460]，宽度覆盖至下一列前
            float[] colXs = {50f, 180f, 320f, 460f};
            int colCount = colXs.length;

            // 使用PDFTextStripperByArea按区域提取文本
            PDFTextStripperByArea stripper = new PDFTextStripperByArea();
            stripper.setSortByPosition(true);

            for (int i = 0; i < colCount; i++) {
                float x = colXs[i];
                float width = (i == colCount - 1) ? pageWidth - x : colXs[i + 1] - x;
                Rectangle2D.Float rect = new Rectangle2D.Float(x, 50, width, pageSize.getHeight() - 100);
                stripper.addRegion("col" + i, rect);
            }

            List rows = new ArrayList<>();
            String pageText = new PDFTextStripper().getText(doc);
            // 更优做法：遍历每行文本，用TextPosition逐字定位 → 但此处为简化，采用区域提取+按行切分

            // 实际项目中建议使用 tabula-java（封装了成熟表格检测算法）：
            // https://github.com/tabulapdf/tabula-java
            // Command line: java -jar tabula.jar -r -o output.csv example.pdf
            // Java API: com.github.tabula.TableExtractor

            // 此处演示写入Excel（保留空列）
            Row headerRow = sheet.createRow(rowNum++);
            for (int i = 0; i < colCount; i++) {
                Cell cell = headerRow.createCell(i);
                cell.setCellValue("Column " + (i + 1));
            }

            // 模拟提取的带空列数据（真实逻辑需根据坐标填充）
            List rawData = Arrays.asList(
                new String[]{"Alice", "Math", "", "95"},
                new String[]{"Bob", "", "Physics", "87"},
                new String[]{"Charlie", "Chemistry", "", "92"}
            );

            for (String[] row : rawData) {
                Row excelRow = sheet.createRow(rowNum++);
                for (int i = 0; i < Math.min(colCount, row.length); i++) {
                    Cell cell = excelRow.createCell(i);
                    cell.setCellValue(row[i] != null ? row[i].trim() : "");
                }
            }

            workbook.write(fos);
        }
    }
}

⚠️ 重要注意事项：

• 列边界需校准：首次使用务必用 PDF 阅读器（如 Foxit Reader 的“测量工具”）获取真实坐标，PDFBox 坐标系原点在左下角，y轴向上增长；
• 避免硬编码：生产环境应实现自动列检测——扫描首几行文本块的x坐标分布，用K-means或阈值聚类识别列分隔线；
• 优先选用 Tabula-java：它内置了启发式表格线检测与文本对齐算法，对扫描件/线框表支持更佳，且提供稳定Java API；
• 字体与旋转：若PDF含旋转文本或非标准字体，需启用 setShouldSeparateByBeads(false) 并处理 TextPosition.getDir()；
• 合并单元格：PDF中跨列/跨行单元格需额外解析 PDPageContentStream 绘图指令，普通文本提取无法还原，此时建议结合 Apache POI 的 CellRangeAddress 手动设置。

总结：PDF转Excel的本质是从布局还原语义。放弃纯正则/换行分割思维，拥抱坐标驱动的表格重建逻辑，才能真正保留原始PDF的列结构与空单元格——这是专业文档自动化不可绕过的一步。