PDF 文檔是一種無處不在的文件格式，用于以固定布局表示結(jié)構(gòu)化文檔。但是，該格式本身不支持提取語義信息，如表格、圖像、文本等。這給以編程方式分析 PDF 文檔或?qū)⑵滢D(zhuǎn)換為其他格式（如 Excel）等任務(wù)帶來了挑戰(zhàn)。

在這篇博文中，我們將探討如何使用 C# 構(gòu)建將 PDF 文檔中的表格數(shù)據(jù)直接提取為 .NET DataTable 等格式的能力。從 PDF 中提取表格數(shù)據(jù)使我們能夠有效地理解、分析和處理 PDF 表格中包含的結(jié)構(gòu)化信息。

了解 PDF 表格結(jié)構(gòu)

在我們深入研究代碼之前，了解 PDF 格式表格的底層結(jié)構(gòu)非常重要。PDF 文檔使用一系列繪圖命令來表示可視內(nèi)容，這些命令將文本、線條和形狀呈現(xiàn)到虛擬“頁面”上。

PDF 中的表格呈現(xiàn)為這些繪圖基元的集合，沒有固有的邏輯分組或語義含義。它們只是在表格布局中呈現(xiàn)的矩形形狀、線條和文本。

為了以編程方式提取表數(shù)據(jù)，我們需要分析可視化布局并識別指示表結(jié)構(gòu)的常見模式，例如：

• 由線條形成的矩形“細(xì)胞”

• 重復(fù)行/列模式

• 在單元格內(nèi)從左到右或從上到下排列的文本

• 對齊方式和間距表明采用表格結(jié)構(gòu)

大多數(shù) PDF 提取庫都提供了分析這些視覺提示的工具，并通過檢測繪圖命令中的常見表格模式來識別基礎(chǔ)表。

使用 Tabula 提取表

在這篇博文中，我們將使用開源 Tabula 庫從 C# 中的 PDF 中提取表格數(shù)據(jù)。Tabula 是一個流行的 Java 庫，適用于基本的表提取任務(wù)。

要從 C# 使用它，我們可以添加對它所依賴的 Tabula 和 Apache PDFBox 的引用。PDFBox 提供低級 PDF 解析和渲染功能。

// Add NuGet references
PM> Install-Package Tabula
PM> Install-Package PDFBox

通過引用的庫，我們現(xiàn)在可以編寫代碼從示例 PDF 文件中提取表數(shù)據(jù)：

// Load PDF document
PDFDocument pdf = new PDFDocument("sample.pdf");
// Extract all tables
IList<Table> tables = TableExtractor.Extract(pdf);
// Print extracted table data
foreach (Table table in tables)
{
  Console.WriteLine(table.Extract().ToString());
}

TableExtractor 類處理 PDF 可視化效果的分析并識別表結(jié)構(gòu)。它返回提取的表，其中包含組織成行和列的單元格文本值。

我們可以遍歷提取的表格并打印或進(jìn)一步處理表格數(shù)據(jù)。這提供了一種在 .NET 中以編程方式解析 PDF 中的表的簡單方法。

處理復(fù)雜的 PDF 表格

雖然在許多情況下很簡單，但 Tabula 可能會遇到更復(fù)雜的 PDF 表格布局，其中包含合并單元格、跨行/列、嵌套標(biāo)題等。為了處理這些問題，我們需要一個更強(qiáng)大的 PDF 提取庫。

一種選擇是使用 PDFClown，這是一個用于高級 PDF 解析和呈現(xiàn)的開源 .NET 庫。它提供了非常低級的訪問來解析整個 PDF 內(nèi)容結(jié)構(gòu)并構(gòu)造 DOM 表示。

我們可以在 PDFClown 之上編寫自定義邏輯來識別復(fù)雜的表格模式，并從可視化內(nèi)容繪制命令中重建表格結(jié)構(gòu)。

下面是一個示例方法：

// Parse PDF and get page content   
PdfDocument pdf = PdfReader.Open("sample.pdf");  
PdfPage page = pdf.Pages[0];  
// Iterate content objects  
foreach(var obj in page.Content.Elements)  
{  
   if(obj is PdfText)  
   {  
      // Analyze text object positions  
      // Detect table cell texts  
   }  
   if(obj is PdfLine)    
   {  
      // Analyze line positions   
      // Detect cell borders  
   }  
   // Reconstruct table structure  
   // Handle complex patterns  
}  
// Return extracted complex table  
Table table = BuildTable();

我們遍歷每個內(nèi)容元素，分析位置和大小鄰居等屬性，以了解視覺布局。然后，復(fù)雜表邏輯根據(jù)可視化渲染中檢測到的模式重建底層數(shù)據(jù)結(jié)構(gòu)。

這允許通過分析原始 PDF 內(nèi)容基元來處理任何類型的復(fù)雜表格結(jié)構(gòu)。

最后的話

在這篇博客文章中，我們介紹了 .NET 開發(fā)人員如何使用 C# 以編程方式從 PDF 文檔中提取表格數(shù)據(jù)。我們研究了 PDF 格式表格的底層結(jié)構(gòu)以及用于直觀識別表格的一些常見模式。

我們演示了一種使用 Tabula 庫的簡單提取方法，以及使用 PDFClown 的低級 PDF 解析功能的更高級技術(shù)。能夠從 PDF 中理解和提取表格等結(jié)構(gòu)化數(shù)據(jù)，為進(jìn)一步處理和分析 PDF 文檔提供了許多可能性。

所示技術(shù)對于 ASP.NET 開發(fā)人員在其 .NET 應(yīng)用程序中處理 PDF 文件非常有用。通過利用 Tabula 和 PDFClown 等 C# 庫，開發(fā)人員可以更輕松地從 PDF 中提取表格和其他結(jié)構(gòu)化數(shù)據(jù)，以便進(jìn)行額外處理并集成到他們的應(yīng)用程序中。