问题：如何将pdf文件中指定的表格数据提取出来？
尝试过的工具包有：pdfbox、tabula。最终选用tabula
两种工具的比较
pdfbox
其中，pdfbox能将pdf中的内容直接提取成String，代码片段：
public static voidreadPdf(String path) {try{
PDDocument document= PDDocument.load(newFile(path));
PDFTextStripper textStripper= newPDFTextStripper();
textStripper.setSortByPosition(true);
String text=textStripper.getText(document);
System.out.println(text);
document.close();
}catch(IOException e) {
e.printStackTrace();
}
}
但是如果遇到类似以下表格数据时，会有格式损失。无论中间有几个空的单元格，最终只会转为1个制表位字符(/t)。
input1.pdf
转换为String后是这样的：
pdfbox优点：方便快捷，使用简单，maven添加依赖后，使用PDFTextStripper.getText()即可提取文本。
pdfbox缺点：提取带有连续的空单元格的表格数据时，有格式丢失。
tabula
重点介绍tabula，虽然底层也是用pdfbox实现的，但是经过封装后的tabula更适合提取复杂格式的表格。
同样的pdf表格，转换为csv后，是这样的：
output1.csv
可以说是完美还原了。
继续尝试转换其他格式的表格。
input2.pdf
output2.csv
input3.pdf
output3.csv
测试结果：input1、input2基本可以还原，input3有部分差异，但通过BufferedReader读出来的值和pdf基本一致。
tabula的使用
1. 获取
1.1 获取源码
从https://github.com/tabulapdf/tabula-java下载tabula-java-master.zip，使用Eclipse将tabula打成jar包，然后将jar引用到自己的工程中。也可以直接下载tabula-1.0.2-jar-with-dependencies.jar到本地。
1.2 获取Windows客户端工具
从https://tabula.technology下载tabula-win-1.2.0.zip到本地，解压后运行tabula.exe即可使用。
2. 使用
2.1 解读README.md
## Usage Examples
`tabula-java` provides a command line application:
$ java -jar target/tabula-1.0.2-jar-with-dependencies.jar --help
usage: tabula [-a ] [-b ] [-c ] [-d] [-f
] [-g] [-h] [-i] [-l] [-n] [-o ] [-p ] [-r]
[-s ] [-t] [-u] [-v]
Tabula helps you extract tables from PDFs
-a,--areaPortion of the page to analyze. Accepts top,
left,bottom,right.
Example: --area 269.875,12.75,790.5,561.
If all values are between 0-100 (inclusive)
and preceded by '%', input will be taken as
% of actual height or width of the page.
Example: --area %0,0,100,50.
To specify multiple areas, -a option should
be repeated. Default is entire page
-b,--batchConvert all .pdfs in the provided directory.
-c,--columnsX coordinates of column boundaries. Example
--columns 10.1,20.2,30.3
-d,--debug Print detected table areas instead of
processing.
-f,--formatOutput format: (CSV,TSV,JSON). Default: CSV
-g,--guess Guess the portion of the page to analyze per
page.
-h,--help Print this help text.
-i,--silent Suppress all stderr output.
-l,--lattice Force PDF to be extracted using lattice-mode
extraction (if there are ruling lines
separating each cell, as in a PDF of an Excel
spreadsheet)
-n,--no-spreadsheet [Deprecated in favor of -t/--stream] Force PDF
not to be extracted using spreadsheet-style
extraction (if there are no ruling lines
separating each cell)
-o,--outfile Write output to instead of STDOUT.
Default: -
-p,--pagesComma separated list of ranges, or all.
Examples: --pages 1-3,5-7, --pages 3 or
--pages all. Default is --pages 1
-r,--spreadsheet [Deprecated in favor of -l/--lattice] Force
PDF to be extracted using spreadsheet-style
extraction (if there are ruling lines
separating each cell, as in a PDF of an Excel
spreadsheet)
-s,--passwordPassword to decrypt document. Default is empty
-t,--stream Force PDF to be extracted using stream-mode
extraction (if there are no ruling lines
separating each cell)
-u,--use-line-returns Use embedded line returns in cells. (Only in
spreadsheet mode.)
-v,--version Print version and exit.
其中一些附加参数可视情况选用。
-a：表示指定某个矩形区域，程序只会对此区域进行解析，类似pdfbox的PDFTextStripperByArea.addRegion()。-a后跟4个值，以逗号分隔。分别表示：
区域上边界到页面上边界的距离(或百分比)
区域左边界到页面左边界的距离(或百分比)
区域下边界到页面上边界的距离(或百分比)
区域右边界到页面左边界的距离(或百分比)
以%开头时表示百分比，比如-a %10,0,90,100。
-o：表示将结果输出到文件，后面跟文件路径
-p：表示提取指定页，后面跟数字，如果不指定则默认为1
-t：表示按流的方式提取，遇到合并单元格时使用
2.2 命令行运行
使用cmd命令行工具直接运行jar包
java -jar tabula-1.0.2.jar E:\tmp\input\input1.pdf -o E:\tmp\output\output1.csv
2.3 程序内调用
String cmd = "java -jar tabula-1.0.2.jar E:\tmp\input\input1.pdf -o E:\tmp\output\output1.csv";
Runtime.getRuntime().exec();