【2026 最新教程】Java 自动化提取 PDF 表格：从文本到 Excel/CSV 的全场景实现
随着企业数据自动化的需求日益激增，提取 PDF 中的表格的需求也越来越受到重视。尽管此前我们就发布过使用 Java 提取 PDF 中的表格，并保存为 Text 文件的教程，但显然，简单的文本提取难以满足复杂的数据分析场景。
在处理财务报表、供应链清单等结构化文档时，开发者不仅需要获取数据，更需要保留其逻辑结构。本文将基于最新的 Spire.PDF for Java，展示如何精准地将 PDF 表格转换为文本、CSV 以及 Excel 格式，实现全场景的数据自动化提取。
环境准备
在进入今天的正文前，请确保你的开发环境已就绪：
- JDK 支持：推荐使用 JDK 8 及以上版本。
- Maven 依赖：在
pom.xml文件中配置以下仓库和依赖，以获取最新的组件支持。
<repositories>
<repository>
<id>com.e-iceblue</id>
<name>e-iceblue</name>
<url>https://repo.e-iceblue.cn/repository/maven-public/</url>
</repository>
</repositories>
<dependencies>
<dependency>
<groupId>e-iceblue</groupId>
<artifactId>spire.pdf</artifactId>
<version>11.12.16</version>
</dependency>
</dependencies>
或导航到 Spire.PDF for Java 的官方网站下载安装包，解压后将 jar 文件手动导入到项目中。
基础提取：将 PDF 表格转为文本
作为入门级方案，将 PDF 中的表格提取为文本适用于对格式要求不高、仅需获取原始信息的场景。
技术逻辑：利用 PdfTableExtractor 识别表格，通过遍历单元格获取字符串。
import com.spire.pdf.*;
import com.spire.pdf.utilities.PdfTable;
import com.spire.pdf.utilities.PdfTableExtractor;
import java.io.FileWriter;
import java.io.IOException;
public class ExtractTable {
public static void main(String[] args)throws IOException {
// 实例化PdfDocument类的对象
PdfDocument pdf = new PdfDocument();
// 加载PDF文档
pdf.loadFromFile("E:/Administrator/Python1/input/项目进度.pdf");
// 创建StringBuilder类的实例
StringBuilder builder = new StringBuilder();
// 创建PdfTableExtractor类的对象
PdfTableExtractor extractor = new PdfTableExtractor(pdf);
// 遍历每一页
for (int page = 0; page < pdf.getPages().getCount(); page++)
{
// 提取页面中的表格存入PdfTable[]数组
PdfTable[] tableLists = extractor.extractTable(page);
if (tableLists != null && tableLists.length > 0)
{
//遍历表格
for (PdfTable table : tableLists)
{
int row = table.getRowCount();//获取表格行
int column = table.getColumnCount();//获取表格列
for (int i = 0; i < row; i++)
{
for (int j = 0; j < column; j++)
{
// 获取表格中的文本内容
String text = table.getText(i, j);
// 将获取的text写入StringBuilder容器
builder.append(text+" ");
}
builder.append("\r\n");
}
}
}
}
// 保存为txt文档
FileWriter fileWriter = new FileWriter("E:/Administrator/Python1/output/提取表格为文本.txt");
fileWriter.write(builder.toString());
fileWriter.flush();
fileWriter.close();
}
}
源文件与输出文件对比图：
方案一：最简化提取——将 PDF 表格导出为 CSV
虽然保存为文本格式能够快速获取内容，但在面对需要二次计算或数据入库的场景时，将 PDF 表格导出为 CSV 是一种更合适的选择。CSV 格式通用性很高，几乎可以被所有的主流数据库系统、数据分析工具以及编程语言无差识别，是构建自动化数据流转链路的理想中间格式。它不仅写入速度极快，且内存开销低，尤其适合后端批量处理任务。
技术逻辑：CSV（逗号分隔值）是结构化数据的标准格式。我们通过 PdfTableExtractor 获取表格数据后，通过代码控制逗号分隔符输出。
import com.spire.pdf.*;
import com.spire.pdf.utilities.*;
import java.io.*;
public class ExtractTable {
public static void main(String[] args) throws Exception {
// 1. 加载 PDF 文档
PdfDocument pdf = new PdfDocument();
// 请确保路径正确
pdf.loadFromFile("E:/Administrator/Python1/input/项目进度.pdf");
// 用于存储提取文本的 StringBuilder StringBuilder sb = new StringBuilder();
// 2. 遍历每一页并提取表格
for (int i = 0; i < pdf.getPages().getCount(); i++) {
PdfTableExtractor extractor = new PdfTableExtractor(pdf);
PdfTable[] tableLists = extractor.extractTable(i);
if (tableLists != null) {
for (PdfTable table : tableLists) {
for (int row = 0; row < table.getRowCount(); row++) {
for (int col = 0; col < table.getColumnCount(); col++) {
// 使用工具方法处理 CSV 特殊字符和换行
String cellText = escapeCsvField(table.getText(row, col));
sb.append(cellText);
// 列之间用逗号分隔
if (col < table.getColumnCount() - 1) {
sb.append(",");
}
}
// 行之间用换行符分隔
sb.append("\n");
}
}
}
}
// 3. 写入带 BOM 的 CSV 文件
File outFile = new File("E:/Administrator/Python1/output/提取表格为csv.csv");
// 确保输出目录存在
if (!outFile.getParentFile().exists()) {
outFile.getParentFile().mkdirs();
}
try (FileOutputStream fos = new FileOutputStream(outFile)) {
// 【核心修复】写入 UTF-8 BOM 字节，防止 Excel 打开乱码
fos.write(0xEF);
fos.write(0xBB);
fos.write(0xBF);
// 使用 UTF-8 编码包装输出流
try (Writer writer = new OutputStreamWriter(fos, "UTF-8")) {
writer.write(sb.toString());
}
}
pdf.close();
System.out.println("PDF 表格已成功导出为 CSV 文件。");
}
/**
* 处理 CSV 字段的工具方法：
* 1. 去除单元格内的换行符
* 2. 转义双引号
* 3. 对包含特殊字符的字段添加双引号包裹
*/
private static String escapeCsvField(String text) {
if (text == null) return "";
// 去掉单元格内的换行符（防止破坏 CSV 行结构）
text = text.replaceAll("[\\n\\r]", " ");
// 处理特殊字符
boolean containsSpecialChar = text.contains(",") || text.contains(";") ||
text.contains("\"") || text.contains("\n");
if (containsSpecialChar) {
// 转义双引号：将 " 替换为 "" text = text.replace("\"", "\"\"");
// 整个字段用双引号包裹
text = "\"" + text + "\"";
}
return text.trim();
}
}
结果文件示意图：
提示：在导出 CSV 时，建议对单元格内容使用双引号包裹，以处理数据本身含有逗号的情况。此外，确保文件使用 UTF-8 (with BOM) 编码，防止在 Excel 中直接打开时出现中文乱码。
方案二：结构化导出——将 PDF 表格直接转为 Excel
由于 CSV 只能存储纯文本，合并单元格、字体等格式在导出时会丢失。如果需要保留样式，应该选择将 PDF 中的表格提取为 Excel 文件。比如说处理财务报表、审计清单等文件，单元格样式与数据息息相关。通过导出为 Excel，你可以更好地保留原 PDF 文档中的布局，避免对数据进行二次加工。
核心步骤：
- 加载源 PDF 文档。
- 遍历读取 PDF 中的表格单元格和数据。
- 将数据填入 Excel 单元格中。
- 设置 Excel 单元格（可选步骤）。
- 调用
saveToFile并指定FileFormat.XLSX。
import com.spire.pdf.PdfDocument;
import com.spire.pdf.utilities.PdfTable;
import com.spire.pdf.utilities.PdfTableExtractor;
import com.spire.xls.ExcelVersion;
import com.spire.xls.Workbook;
import com.spire.xls.Worksheet;
public class ExtractTable {
public static void main(String[] args) {
//加载示例PDF文档
PdfDocument pdf = new PdfDocument("E:/Administrator/Python1/input/项目进度.pdf");
//创建一个PdfTableExtractor实例
PdfTableExtractor extractor = new PdfTableExtractor(pdf);
//从第一页提取表格
PdfTable[] pdfTables = extractor.extractTable(0);
//创建一个工作簿对象
Workbook wb = new Workbook();
//删除默认工作表
wb.getWorksheets().clear();
//如果找到任何表格
if (pdfTables != null && pdfTables.length > 0) {
//循环遍历表格
for (int tableNum = 0; tableNum < pdfTables.length; tableNum++) {
//将工作表添加到工作簿
String sheetName = String.format("Table - %d", tableNum + 1);
Worksheet sheet = wb.getWorksheets().add(sheetName);
//循环遍历当前表格中的行
for (int rowNum = 0; rowNum < pdfTables[tableNum].getRowCount(); rowNum++) {
//循环遍历当前表格中的列
for (int colNum = 0; colNum < pdfTables[tableNum].getColumnCount(); colNum++) {
//从当前表格单元格中提取数据
String text = pdfTables[tableNum].getText(rowNum, colNum);
//将数据插入特定单元格
sheet.get(rowNum + 1, colNum + 1).setText(text);
}
}
//自动调整列宽
for (int sheetColNum = 0; sheetColNum < sheet.getColumns().length; sheetColNum++) {
sheet.autoFitColumn(sheetColNum + 1);
}
}
}
//将工作簿保存为 Excel 文件
wb.saveToFile("E:/Administrator/Python1/output/提取表格为excel.xlsx", ExcelVersion.Version2016);
}
}
效果展示：
进阶挑战：处理复杂的跨页提取
在实际业务中，我们常遇到长篇合同或大型清单，同一个表格被拆分到两个或多个物理页面。这种情况单纯依靠循环提取会导致数据断层。那么如何识别第二页顶部的表格是第一页末尾表格的延续？如何自动合并表头？
针对此类涉及坐标逻辑判断的高阶需求，我们准备了详细的进阶教程。感兴趣的话可以查看官网教程如何在 Java 中将 PDF 转换为 CSV（轻松提取 PDF 表格）
总结与技术支持
从提取 PDF 表格为文本，到涵盖 CSV 和 Excel 的全场景导出，技术工具的演进让 PDF 数据处理变得不再繁琐。通过 Spire.PDF for Java，你可以根据业务需求灵活选择轻量级的 CSV 方案或高保真的 Excel 方案。
浙公网安备 33010602011771号