Uma solução para ler uma tabela de um PDF é utilizar uma abordagem em duas etapas:
- Extrair o PDF em texto puro
- Interpretar o texto puro com alguma ferramenta;
Claro que está solução só é válida se o arquivo PDF é textual, ou seja, não é contido por uma imagem principal.
Com a biblioteca pdfbox.jar
é possível extrair o texto passando o parâmetros básicos “ExtractText”. Ex.:
java -jar pdfbox.jar ExtractText C:\CAMINHO\ARQUIVO\PDF\relatorio.pdf c:\Caminho\Arquivo\Saida\Saida.txt
Cada linha no PDF será uma linha n arquivo de texto. Cada linha da tabela será também.
Com o arquivo de saída, você pode interpretar usando o Pattern que é uma ferramenta muito útil para esta finalidade. Desta forma então é possível ler os arquivos PDF.
Arquivo PDF de exemplo:
Saída em texto:
Supervisor:
Lanofu Silva
Data
06/09/2018
ID Produto Data Quantidade
3 Parafuso Allen 6” 04/09/2018 300
9 Eixo 127 Revest. 04/09/2018 500
15 Perfil 3 12x15 05/09/2018 400
72 Caixa metálica 15x15x5 02/09/2018 100
70 Engrenagem helicoidal 1” Nylon 01/09/2048 100
45 Heline Drone 5H-12BR 02/09/2018 130
Um exemplo de Patter para reconhecer cada entrada de produção da tabela:
Pattern padraoLinha = Patter.compile(“\d+\s.+\s\d{2}/\d{2}/\d{4}\s\d+”);
int countEntradaProducao = 0;
For(String linha : Files.readAllBytes(arquivoTexto.toPath())
{
if(padraoLinha.matcher(linha).matchs())
{
countEntradaProducao++;
//Faço alguma coisa
}
}