PDFJavaのテーブルからデータを抽出する

PDFは、最近の支配的な文書形式の1つです。テキスト、グラフィック、表、注釈、およびその他のさまざまな要素をサポートします。場合によっては、請求書などのPDFドキュメントのテーブルからデータを抽出する必要があります。これをプログラムで実現するために、この記事では、Javaを使用してPDFのテーブルからデータを抽出する方法について説明します。

PDF形式のテーブルからデータを抽出-JavaAPI

Aspose.PDF for Javaは、PDFドキュメントを作成および操作するための機能豊富なAPIです。このAPIを使用して、PDFドキュメントのテーブルからデータを抽出します。 APIのJARをダウンロードするか、次のMaven構成を使用してJavaアプリケーション内にインストールできます。

<repository>
    <id>AsposeJavaAPI</id>
    <name>Aspose Java API</name>
    <url>https://repository.aspose.com/repo/</url>
</repository>
<dependency>
    <groupId>com.aspose</groupId>
    <artifactId>aspose-pdf</artifactId>
    <version>21.9</version>
</dependency>

JavaのPDF形式のテーブルからのデータ抽出

以下は、Javaを使用してPDFのテーブルからデータを抽出する手順です。

次のコードサンプルは、Javaを使用してPDFのテーブルからテキストを抽出する方法を示しています。

// ソースPDFドキュメントをロード
com.aspose.pdf.Document pdfDocument = new com.aspose.pdf.Document("sample.pdf");

// テーブルアブソーバーを作成する
com.aspose.pdf.TableAbsorber absorber = new com.aspose.pdf.TableAbsorber();

// ページをスキャンする
for (com.aspose.pdf.Page page : pdfDocument.getPages()) {
    
    // ビストページ
    absorber.visit(page);
  
    // テーブルを反復処理します
    for (com.aspose.pdf.AbsorbedTable table : absorber.getTableList()) {
        System.out.println("Table");
        
        // 行のリストを反復処理します
        for (com.aspose.pdf.AbsorbedRow row : table.getRowList()) {
            
            // セルのリストを反復処理します
            for (com.aspose.pdf.AbsorbedCell cell : row.getCellList()) {
                
                // テキストフラグメントを反復処理します
                for (com.aspose.pdf.TextFragment fragment : cell.getTextFragments()) {
                    StringBuilder sb = new StringBuilder();
                    for (com.aspose.pdf.TextSegment seg : fragment.getSegments())
                        sb.append(seg.getText());
                    System.out.print(sb.toString() + "|");
                }
            }
            System.out.println();
        }
    }
}

Java：PDFページの特定の領域からテーブルデータを抽出する

以下は、Javaを使用してPDFのページの特定の部分からテーブルを抽出する手順です。

  • まず、Documentクラスを使用してPDFドキュメントをロードします。
  • 次に、Document.getPages()コレクションから目的のPageを選択します。
  • ページのSquareアノテーションを抽出します。
  • 各反復で、TableAbsorberオブジェクトを初期化し、TableAbsorber.visit(Page)メソッドを使用して選択したページにアクセスします。
  • ネストされたループで、TableAbsorber.getTableList()コレクション内のテーブルのリストを反復処理します。
  • 吸収されたテーブルが目的のページ領域にあるかどうかを確認します。
  • コレクション内のAbsorbedTableごとに、AbsorbedTable.getRowList()を使用して行のコレクションを反復処理します。
  • コレクション内のAbsorbedRowごとに、AbsorbedRow.getCellList()を使用してセルのコレクションを反復処理します。
  • 最後に、各AbsorbedCellのTextFragmentコレクションをループして、テキストを出力します。

次のコードサンプルは、PDFページの特定の領域からテーブルを抽出する方法を示しています。

// ソースPDFドキュメントをロード
com.aspose.pdf.Document pdfDocument = new com.aspose.pdf.Document("sample.pdf");

// 目的のページの参照を取得します
com.aspose.pdf.Page page = pdfDocument.getPages().get_Item(1);

// 注釈セレクターを作成する
com.aspose.pdf.AnnotationSelector annotationSelector = new com.aspose.pdf.AnnotationSelector(
        new com.aspose.pdf.SquareAnnotation(page, com.aspose.pdf.Rectangle.getTrivial()));

// 注釈のリストを取得する
java.util.List<com.aspose.pdf.Annotation> list = annotationSelector.getSelected();
if (list.size() == 0) {
    System.out.println("Marked tables not found..");
    return;
}

// 正方形の注釈を作成する
com.aspose.pdf.SquareAnnotation squareAnnotation = (com.aspose.pdf.SquareAnnotation) list.get(0);

// テーブルアブソーバーを作成してページにアクセス
com.aspose.pdf.TableAbsorber absorber = new com.aspose.pdf.TableAbsorber();
absorber.visit(page);

// テーブルを反復処理します
for (com.aspose.pdf.AbsorbedTable table : absorber.getTableList()) {
    {
        // テーブルが存在することを確認してください
        boolean isInRegion = (squareAnnotation.getRect().getLLX() < table.getRectangle().getLLX())
                && (squareAnnotation.getRect().getLLY() < table.getRectangle().getLLY())
                && (squareAnnotation.getRect().getURX() > table.getRectangle().getURX())
                && (squareAnnotation.getRect().getURY() > table.getRectangle().getURY());

        if (isInRegion) {
            for (com.aspose.pdf.AbsorbedRow row : table.getRowList()) {
                {
                    for (com.aspose.pdf.AbsorbedCell cell : row.getCellList()) {
                        for (com.aspose.pdf.TextFragment fragment : cell.getTextFragments()) {
                            StringBuilder sb = new StringBuilder();
                            for (com.aspose.pdf.TextSegment seg : fragment.getSegments())
                                sb.append(seg.getText());
                            System.out.print(sb.toString() + "|");
                        }
                    }
                    System.out.println();
                }
            }
        }
    }
}

無料ライセンスを取得する

一時ライセンスを使用すると、評価の制限なしにAspose.PDFforJavaを使用できます。

結論

この記事では、Javaを使用してPDFのテーブルからデータを抽出する方法を学習しました。さらに、この記事では、PDFのページの特定の領域からテーブルを抽出する方法について説明しました。さらに、ドキュメントを使用して、Aspose.PDFforJavaの詳細を学ぶことができます。また、フォーラムから質問することもできます。

関連項目