使用C＃从PDF文件中读取表格

我想读取pdf文件中的表格，我有一个带有表格的pdf文件，在C＃中使用哪个SDK来识别pdfs中的表格以及一些逐个单元格读取的机制？

任何人都可以建议，如果你知道任何识别pdf内表格的dll。

Answer 1

PDF文件格式中没有“表格”概念，因为它的矢量语法仅由处理路径（即线条，曲线，字体轮廓……）和采样内容（即位图图像）的简单基元组成。

然而，良好的启发式算法可以检测所谓的“表”表示的弱存在（即，尖端地，与内容混合的交叉线）。

Answer 2

iTextPdf可能就是你要找的东西。 我没有用它，但听到了非常好的东西。 此外，它是开源和免费（非商业用途），这总是很好。

Answer 3

我知道这是一个古老的问题，但有人可能需要它

“非常明显”的介绍：
PDF文件是图形对象（例如线条）和文本的流。 当渲染PDF时，人眼会理解由于它们之间的线条和文本而存在表格。

（我的）解决方案
从PDF阅读器（iTextSharp）开始，您需要：
1.读取线条（希望只有垂直和水平线条）;
2.连接线（表的一行可以是几行，例如每个单元一行）;
3.了解表格的位置（有时根据您的需要做出一些假设）;
4.可选择查找表格外的文本（最好保留所有文本）并将其插入段落中;
5.在表格的单元格中插入文本

如果你需要一些已经开始编写的东西（为我的pdf工作）你可以在这里找到一些东西https://github.com/bubibubi/ExtractTablesFromPdf
它使用了iTextSharp的GPL版本。

Answer 4

PDFBox的

从IKVM.NET成功用于解析.NET中的PDF文档。

• http://www.codeproject.com/KB/string/pdf2text.aspx

使用PDFBox解析PDF非常简单：

private static string parseUsingPDFBox(string filename) { PDDocument doc = PDDocument.load(filename); PDFTextStripper stripper = new PDFTextStripper(); return stripper.getText(doc); } 

Answer 5

我对项目需要同样的东西。 我的过程有点开销，但效果相当好。 当我把它打磨得更好时，我会发布它。 inheritance人的基本流程：

• 使用libpdf将pdf转换为json
• 导入json文件以获取带有坐标的文本字符串
• 使用ghostscript将pdf转换为图像
• 使用Aforge blobcounter获取表格单元格
• 将细胞分组成表格
• 使用单元格位置和大小来确定它包含哪些文本字符串