狠狠色丁香婷婷综合尤物/久久精品综合一区二区三区/中国有色金属学报/国产日韩欧美在线观看 - 国产一区二区三区四区五区tv

 

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構化文檔。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 文檔或將其轉換為其他格式（如 Excel）等任務帶來了挑戰。

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

了解 PDF 表格結構

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

PDF 中的表格呈現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的矩形形狀、線條和文本。

為了以編程方式提取表數據，我們需要分析可視化布局并識別指示表結構的常見模式，例如：

• 由線條形成的矩形“細胞”

• 重復行/列模式

• 在單元格內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構

大多數 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 中提取表格數據。Tabula 是一個流行的 Java 庫，適用于基本的表提取任務。

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，我們現在可以編寫代碼從示例 PDF 文件中提取表數據：

// 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構。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一步處理表格數據。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 可能會遇到更復雜的 PDF 表格布局，其中包含合并單元格、跨行/列、嵌套標題等。為了處理這些問題，我們需要一個更強大的 PDF 提取庫。

一種選擇是使用 PDFClown，這是一個用于高級 PDF 解析和呈現的開源 .NET 庫。它提供了非常低級的訪問來解析整個 PDF 內容結構并構造 DOM 表示。

我們可以在 PDFClown 之上編寫自定義邏輯來識別復雜的表格模式，并從可視化內容繪制命令中重建表格結構。

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，復雜表邏輯根據可視化渲染中檢測到的模式重建底層數據結構。

這允許通過分析原始 PDF 內容基元來處理任何類型的復雜表格結構。

最后的話

在這篇博客文章中，我們介紹了 .NET 開發人員如何使用 C# 以編程方式從 PDF 文檔中提取表格數據。我們研究了 PDF 格式表格的底層結構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。能夠從 PDF 中理解和提取表格等結構化數據，為進一步處理和分析 PDF 文檔提供了許多可能性。

所示技術對于 ASP.NET 開發人員在其 .NET 應用程序中處理 PDF 文件非常有用。通過利用 Tabula 和 PDFClown 等 C# 庫，開發人員可以更輕松地從 PDF 中提取表格和其他結構化數據，以便進行額外處理并集成到他們的應用程序中。