PDFからテーブルデータを抽出
プログラムでPDFからテーブルを抽出
PDFからテーブルを抽出することは簡単な作業ではありません。なぜなら、テーブルはさまざまな方法で作成できるからです。
Aspose.PDF for Javaには、テーブルを簡単に取得するためのツールがあります。テーブルデータを抽出するには、次の手順を実行する必要があります。
-
ドキュメントを開く - Document オブジェクトをインスタンス化する;
-
TableAbsorber オブジェクトを作成する。
-
分析するページを決定し、目的のページにvisitを適用します。表形式のデータがスキャンされ、その結果がAbsorbedTableのリストに保存されます。このリストはgetTableListメソッドを通じて取得できます。
-
データを取得するには、
TableListを反復処理し、absorbed rowsのリストと吸収されたセルのリストを扱います。最初のリストにはgetTableListメソッドを呼び出すことでアクセスでき、2番目のリストにはgetCellListメソッドを呼び出すことでアクセスできます。 -
各AbsorbedCellにはTextFragmentCollectionsが含まれています。これを自分の目的で処理することができます。
次の例は、すべてのページからテーブルを抽出する方法を示しています:
public static void Extract_Table() {
// ソースPDFドキュメントをロード
String filePath = "/home/aspose/pdf-examples/Samples/sample_table.pdf";
com.aspose.pdf.Document pdfDocument = new com.aspose.pdf.Document(filePath);
com.aspose.pdf.TableAbsorber absorber = new com.aspose.pdf.TableAbsorber();
// ページをスキャン
for (com.aspose.pdf.Page page : pdfDocument.getPages()) {
absorber.visit(page);
for (com.aspose.pdf.AbsorbedTable table : absorber.getTableList()) {
System.out.println("Table");
// 行のリストを繰り返す
for (com.aspose.pdf.AbsorbedRow row : table.getRowList()) {
// セルのリストを繰り返す
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();
}
}
}
}
PDFページの特定エリアからテーブルを抽出する
各吸収されたテーブルは、ページ上のテーブルの位置を示すRectangleプロパティを持っています。
したがって、特定の領域にあるテーブルを抽出する必要がある場合は、特定の座標で作業する必要があります。
次の例は、四角形の注釈でマークされたテーブルを抽出する方法を示しています：
public static void Extract_Marked_Table() {
// ソースPDFドキュメントを読み込む
String filePath = "<... enter path to pdf file here ...>";
com.aspose.pdf.Document pdfDocument = new com.aspose.pdf.Document(filePath);
com.aspose.pdf.Page page = pdfDocument.getPages().get_Item(1);
com.aspose.pdf.AnnotationSelector annotationSelector = new com.aspose.pdf.AnnotationSelector(
new com.aspose.pdf.SquareAnnotation(page, com.aspose.pdf.Rectangle.getTrivial()));
java.util.List<com.aspose.pdf.Annotation> list = annotationSelector.getSelected();
if (list.size() == 0) {
System.out.println("マークされたテーブルが見つかりません。");
return;
}
com.aspose.pdf.SquareAnnotation squareAnnotation = (com.aspose.pdf.SquareAnnotation) list.get(0);
com.aspose.pdf.TableAbsorber absorber = new com.aspose.pdf.TableAbsorber();
absorber.visit(page);
for (com.aspose.pdf.AbsorbedTable table : absorber.getTableList()) {
{
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();
}
}
}
}
}
}
PDFからテーブルデータを抽出しCSVファイルに保存
次の例は、テーブルを抽出してCSVファイルとして保存する方法を示しています。 PDFをExcelスプレッドシートに変換する方法については、PDFをExcelに変換する記事を参照してください。
public static void Extract_Table_Save_CSV()
{
String filePath = "/home/admin1/pdf-examples/Samples/sample_table.pdf";
// PDFドキュメントをロード
com.aspose.pdf.Document pdfDocument = new com.aspose.pdf.Document(filePath);
// ExcelSaveオプションオブジェクトをインスタンス化
com.aspose.pdf.ExcelSaveOptions excelSave = new com.aspose.pdf.ExcelSaveOptions();
excelSave.setFormat(com.aspose.pdf.ExcelSaveOptions.ExcelFormat.CSV);
// 出力をXLS形式で保存
pdfDocument.save("PDFToXLS_out.xlsx", excelSave);
}