C#/VB.NET 从PDF中提取表格

Posted 2022-08-02 毛毛雨大人

PDF是办公中比较常见的一种文件格式，在工作中应用也越来越普遍。由于PDF文件集成度和安全可靠性都较高，所以在PDF中编辑内容是一件比较复杂且困难的事。但有时因工作需要，要求我们从中提取数据或表格该怎么办呢？别担心，今天为大家介绍一种通过C#/VB.NET代码从PDF中提取表格内容的方法。下面是我整理的思路步骤及代码供大家参考。

 

程序环境：

本次测试时，在程序中引入 Spire.PDF.dll 文件。

方法1：

将 ​​Free Spire.PDF for .NET​​ 下载到本地，解压，找到 BIN 文件夹下的 Spire.PDF.dll。然后在 Visual Studio 中打开“解决方案资源管理器”，鼠标右键点击“引用”，“添加引用”，将本地路径 BIN 文件夹下的 dll 文件添加引用至程序。

方法2：:

通过  ​​NuGet​​安装。可通过以下 2 种方法安装：

  1. 可以在 Visual Studio 中打开“解决方案资源管理器”，鼠标右键点击“引用”，“管理 NuGet 包”，然后搜索“Free Spire.PDF”，点击“安装”。等待程序安装完成。

  2. 将以下内容复制到 PM 控制台安装。

Install-Package FreeSpire.PDF -Version 8.6.0

从PDF中提取表格具体步骤：

• 实例化PdfDocument类的对象并调用PdfDocument.LoadFromFile()方法加载文档。
• 通过 PdfTableExtractor.ExtractTable(int pageIndex) 方法提取指定页面中的表格。
• 通过 PdfTable.GetText(int rowIndex, int columnIndex) 方法将获取具体行和列中的单元格文本内容。
• 将获取的表格内容保存为TXT文件。

完整代码：

【C#】​

using Spire.Pdf;
using Spire.Pdf.Utilities;
using System.IO;
using System.Text;

namespace ExtractTable

    class Program
    
        static void Main(string[] args)
        
            //实例化PdfDocument类的对象
            PdfDocument pdf = new PdfDocument();

            //加载PDF文档
            pdf.LoadFromFile("编程语言1.pdf");

            //创建StringBuilder类的对象
            StringBuilder builder = new StringBuilder();

            //实例化PdfTableExtractor类的对象
            PdfTableExtractor extractor = new PdfTableExtractor(pdf);

            //声明PdfTable类的表格数组
            PdfTable[] tableLists;

            //遍历PDF页面
            for (int pageIndex = 0; pageIndex < pdf.Pages.Count; pageIndex++)
            
                //从页面提取表格
                tableLists = extractor.ExtractTable(pageIndex);

                //判断表格列表是否为空
                if (tableLists != null && tableLists.Length > 0)
                
                    //遍历表格
                    foreach (PdfTable table in tableLists)
                    
                        //获取表格中的行和列数
                        int row = table.GetRowCount();
                        int column = table.GetColumnCount();

                        //遍历表格行和列 
                        for (int i = 0; i < row; i++)
                        
                            for (int j = 0; j < column; j++)
                            
                                //获取行和列中的文本
                                string text = table.GetText(i, j);

                                //写入文本到StringBuilder容器
                                builder.Append(text + " ");
                            
                            builder.Append("\\r\\n");
                        
                    
                
            

            //保存提取的表格内容为txt文档
            File.WriteAllText("提取表格.txt", builder.ToString());
        
    

【VB.NET】

Imports Spire.Pdf
Imports Spire.Pdf.Utilities
Imports System.IO
Imports System.Text

Namespace ExtractTable
  Class Program
    Private Shared Sub Main(args As String())
      实例化PdfDocument类的对象
      Dim pdf As New PdfDocument()

      加载PDF文档
      pdf.LoadFromFile("编程语言1.pdf")

      创建StringBuilder类的对象
      Dim builder As New StringBuilder()

      实例化PdfTableExtractor类的对象
      Dim extractor As New PdfTableExtractor(pdf)

      声明PdfTable类的表格数组
      Dim tableLists As PdfTable()

      遍历PDF页面
      For pageIndex As Integer = 0 To pdf.Pages.Count - 1
        从页面提取表格
        tableLists = extractor.ExtractTable(pageIndex)

        判断表格列表是否为空
        If tableLists IsNot Nothing AndAlso tableLists.Length > 0 Then
          遍历表格
          For Each table As PdfTable In tableLists
            获取表格中的行和列数
            Dim row As Integer = table.GetRowCount()
            Dim column As Integer = table.GetColumnCount()

            遍历表格行和列 
            For i As Integer = 0 To row - 1
              For j As Integer = 0 To column - 1
                获取行和列中的文本
                Dim text As String = table.GetText(i, j)

                写入文本到StringBuilder容器
                builder.Append(text & Convert.ToString(" "))
              Next
              builder.Append(vbCr & vbLf)
            Next
          Next
        End If
      Next

      保存提取的表格内容为txt文档
      File.WriteAllText("提取表格.txt", builder.ToString())
    End Sub
  End Class
End Namespace

效果图：

注意：

测试代码中的文件路径为程序 Debug 路径，仅供参考，文件路径可自定义为其他路径。