如何使用Tika或任何其他库从PDF文件中提取数据并以CSV / Excel格式存储

我想提取PDF文件中存在的数据，并以CSV / Excel表单的格式显示。我知道这可以在java.But中使用Tika库来完成，我确实find了如何提取数据作为简单的文本，但我想知道如何将其存储在Excel表格中。

如果有人早些时候做过这种types的工作，那么请帮助我。

Answer 1

第一部分（也是最难的部分）是parsing原始数据并将其解释为表格。 Apache Tika会给你xhtml表示（或者用SAX事件调用你自己的处理程序），但是它通常不会为你构build表。 从pdf文件来说，我的意思是，由于pdf本身不是表格格式。

所以，你必须采取Tika生产的段落，将它们分开，并将结果单元格传递给一些csv/xls/xlsx写入器。 它可能工作，如果你有你的一些常规表格pdf（每行表格一行，干净的单元格逻辑分隔等）。 但是，它看起来像parsing纯文本，当然。

如果我不工作，你将不得不采取PDFparsing器（如Apache PDFBox ），并尝试解释其输出。

第二部分（输出）很简单。 如果csv/ssv/tsv适合你 – 使用你的首选库来生成它（我可以推荐Apache commons-csv ）。 但考虑到MS Excel需要UTF-8和UTF-16 csv的BOM才能理解该文件不是单字节编码（如CP-1252等）。

如果您需要Excel xls或xlsx格式 – 只需使用Apache POI编写即可。