如何在 C# 中從 PDF 文件中提取表格數據

什麼情況下需要從PDF文件中提取表格？

表格是一種方便的資料結構化和展示方式，無論是進行庫存管理、資料輸入，或是記錄降雨量等資料。因此，也有很多原因需要從 PDF 文件中提取表格和表格資料。 一些最常見的應用場景包括：

*資料輸入自動化：*從 PDF 報表或發票中的表格擷取資料可以自動執行填入資料庫或電子表格等流程。 資料分析：企業經常收到 PDF 格式的結構化報告。 提取表格可以讓您以程式設計方式分析這些數據。 文件轉換：將表格資料​​提取為 Excel 或 CSV 等更易於存取的格式，可以更輕鬆地進行操作、儲存和共用。 審計和合規性：**對於法律或財務記錄，透過程式設計方式從 PDF 文件中提取表格資料可以幫助自動化審計並確保合規性。

PDF表格是如何運作的？

PDF 文件格式本身並不具備以表格等結構化格式儲存資料的功能。 今天範例中使用的表格是用 HTML 建立的，然後轉換為 PDF 格式。 表格以文字和線條的形式呈現，因此提取表格資料通常需要對內容進行一些解析和解釋，除非您使用 OCR 軟體，例如IronOCR 。

How to Extract Table Data from a PDF File in C

在探討IronPDF如何完成這項任務之前，讓我們先來了解一下能夠處理 PDF 擷取的線上工具。 若要使用線上 PDF 工具從 PDF 文件中提取表格，請按照以下步驟操作：

1. 存取免費的線上 PDF 擷取工具
2. 上傳包含表格的PDF文件
3. 查看和下載結果

使用IronPDF擷取表格數據

IronPDF可讓您從 PDF 中提取資料、文字和圖形，然後可以使用這些內容以程式設計方式重建表格。 為此，您首先需要從 PDF 中的表格中提取文字內容，然後使用該文字將表格解析為行和列。 在開始提取表格之前，讓我們先來看看 IronPDF 的ExtractAllText()方法是如何提取表格中的資料的：

using IronPDF;

class Program
{
    static void Main(string[] args)
    {
        // Load the PDF document
        PdfDocument pdf = PdfDocument.FromFile("example.pdf");

        // Extract all text from the PDF
        string text = pdf.ExtractAllText();

        // Output the extracted text to the console
        Console.WriteLine(text);
    }
}

using IronPDF;

class Program
{
    static void Main(string[] args)
    {
        // Load the PDF document
        PdfDocument pdf = PdfDocument.FromFile("example.pdf");

        // Extract all text from the PDF
        string text = pdf.ExtractAllText();

        // Output the extracted text to the console
        Console.WriteLine(text);
    }
}

在這個例子中，我們使用PdfDocument類加載了 PDF 文檔，然後使用ExtractAllText()方法提取文檔中的所有文本，最後將文本顯示在控制台上。

使用IronPDF從文字中提取表格數據

從 PDF 中提取文字後，表格將以純文字的形式顯示為一系列行和列。 您可以根據換行符號 ( \n ) 拆分此文本，然後根據一致的間距或分隔符號(例如逗號或製表符)將行進一步拆分為列。 以下是一個從文本中解析表格的基本範例：

using IronPDF;
using System;
using System.Linq;

class Program
{
    static void Main(string[] args)
    {
        // Load the PDF document
        PdfDocument pdf = PdfDocument.FromFile("table.pdf");

        // Extract all text from the PDF
        string text = pdf.ExtractAllText();

        // Split the text into lines (rows)
        string[] lines = text.Split('\n');

        foreach (string line in lines)
        {
            // Split the line into columns using the tab character
            string[] columns = line.Split('\t').Where(col => !string.IsNullOrWhiteSpace(col)).ToArray();
            Console.WriteLine("Row:");

            foreach (string column in columns)
            {
                Console.WriteLine("  " + column); // Output each column in the row
            }
        }
    }
}

using IronPDF;
using System;
using System.Linq;

class Program
{
    static void Main(string[] args)
    {
        // Load the PDF document
        PdfDocument pdf = PdfDocument.FromFile("table.pdf");

        // Extract all text from the PDF
        string text = pdf.ExtractAllText();

        // Split the text into lines (rows)
        string[] lines = text.Split('\n');

        foreach (string line in lines)
        {
            // Split the line into columns using the tab character
            string[] columns = line.Split('\t').Where(col => !string.IsNullOrWhiteSpace(col)).ToArray();
            Console.WriteLine("Row:");

            foreach (string column in columns)
            {
                Console.WriteLine("  " + column); // Output each column in the row
            }
        }
    }
}

在這個例子中，我們按照先前的步驟載入了PDF文件並提取了文字。 然後，使用text.Split('\n')將提取的文字按換行符拆分為行，並​​將結果儲存在lines數組中。 然後使用 foreach 迴圈遍歷數組中的行，其中line.Split('\t')使用製表符'\t'作為分隔符號將行進一步拆分為列。 列數組的下一部分， Where(col => !string.IsNullOrWhiteSpace(col)).ToArray()會過濾掉由於額外空格而可能出現的空列，然後將這些列添加到列數組中。

最後，我們將文字以基本的行和列結構寫入控制台輸出視窗。

將提取的表格資料匯出為 CSV 文件

現在我們已經了解如何從 PDF 文件中提取表格，接下來讓我們看看可以用提取的數據做什麼。 將匯出的表格匯出為 CSV 檔案是處理表格資料和自動化資料輸入等任務的有效方法。 在這個例子中，我們用模擬資料填充了一個表格，在本例中是一週的每日降雨量，從 PDF 中提取了該表格，然後將其匯出為 CSV 檔案。

using System;
using System.Collections.Generic;
using System.IO;
using System.Linq;
using IronPDF;

class Program
{
    static void Main(string[] args)
    {
        string pdfPath = "table.pdf";
        string csvPath = "output.csv";

        // Extract and parse table data
        var tableData = ExtractTableDataFromPdf(pdfPath);

        // Write the extracted data to a CSV file
        WriteDataToCsv(tableData, csvPath);
        Console.WriteLine($"Data extracted and saved to {csvPath}");
    }

    static List<string[]> ExtractTableDataFromPdf(string pdfPath)
    {
        var pdf = PdfDocument.FromFile(pdfPath);

        // Extract text from the first page
        var text = pdf.ExtractTextFromPage(0); 
        var rows = new List<string[]>();

        // Split text into lines (rows)
        var lines = text.Split('\n');

        // Variable to hold column values temporarily
        var tempColumns = new List<string>();

        foreach (var line in lines)
        {
            var trimmedLine = line.Trim();

            // Check for empty lines or lines that don't contain table data
            if (string.IsNullOrEmpty(trimmedLine) || trimmedLine.Contains("Header"))
            {
                continue;
            }

            // Split line into columns. Adjust this based on how columns are separated.
            var columns = trimmedLine.Split(new[] { ' ', '\t' }, StringSplitOptions.RemoveEmptyEntries);

            if (columns.Length > 0)
            {
                // Add columns to temporary list
                tempColumns.AddRange(columns);
                rows.Add(tempColumns.ToArray());
                tempColumns.Clear(); // Clear temporary list after adding to rows
            }
        }

        return rows;
    }

    static void WriteDataToCsv(List<string[]> data, string csvPath)
    {
        using (var writer = new StreamWriter(csvPath))
        {
            foreach (var row in data)
            {
                // Join columns with commas and quote each field to handle commas within data
                var csvRow = string.Join(",", row.Select(field => $"\"{field.Replace("\"", "\"\"")}\""));
                writer.WriteLine(csvRow);
            }
        }
    }
}

using System;
using System.Collections.Generic;
using System.IO;
using System.Linq;
using IronPDF;

class Program
{
    static void Main(string[] args)
    {
        string pdfPath = "table.pdf";
        string csvPath = "output.csv";

        // Extract and parse table data
        var tableData = ExtractTableDataFromPdf(pdfPath);

        // Write the extracted data to a CSV file
        WriteDataToCsv(tableData, csvPath);
        Console.WriteLine($"Data extracted and saved to {csvPath}");
    }

    static List<string[]> ExtractTableDataFromPdf(string pdfPath)
    {
        var pdf = PdfDocument.FromFile(pdfPath);

        // Extract text from the first page
        var text = pdf.ExtractTextFromPage(0); 
        var rows = new List<string[]>();

        // Split text into lines (rows)
        var lines = text.Split('\n');

        // Variable to hold column values temporarily
        var tempColumns = new List<string>();

        foreach (var line in lines)
        {
            var trimmedLine = line.Trim();

            // Check for empty lines or lines that don't contain table data
            if (string.IsNullOrEmpty(trimmedLine) || trimmedLine.Contains("Header"))
            {
                continue;
            }

            // Split line into columns. Adjust this based on how columns are separated.
            var columns = trimmedLine.Split(new[] { ' ', '\t' }, StringSplitOptions.RemoveEmptyEntries);

            if (columns.Length > 0)
            {
                // Add columns to temporary list
                tempColumns.AddRange(columns);
                rows.Add(tempColumns.ToArray());
                tempColumns.Clear(); // Clear temporary list after adding to rows
            }
        }

        return rows;
    }

    static void WriteDataToCsv(List<string[]> data, string csvPath)
    {
        using (var writer = new StreamWriter(csvPath))
        {
            foreach (var row in data)
            {
                // Join columns with commas and quote each field to handle commas within data
                var csvRow = string.Join(",", row.Select(field => $"\"{field.Replace("\"", "\"\"")}\""));
                writer.WriteLine(csvRow);
            }
        }
    }
}

技巧和最佳實踐

在使用 PDF 表格時，遵循一些基本的最佳實踐可以幫助最大限度地減少遇到任何錯誤或問題的可能性。

*預處理 PDF：*如果可能，請預處理您的 PDF 文件，以確保格式一致，從而簡化提取過程。 驗證數據：務必驗證提取的數據，以確保其準確性和完整性。 處理錯誤：實作錯誤處理，以管理文字擷取或解析失敗的情況，例如將程式碼包裝在 try-catch 區塊中。 最佳化效能：**對於大型 PDF 文件，考慮最佳化文字擷取和解析以解決效能問題。

IronPDF許可

IronPDF提供不同的許可選項，讓您在購買許可證之前親自體驗IronPDF 的所有強大功能。

結論

使用IronPDF從 PDF 中提取表格是一種強大的方法，可以自動提取資料、方便分析，並將文件轉換為更容易存取的格式。 無論是處理簡單的表格還是複雜、不規則的格式， IronPDF都提供了高效提取和處理表格資料所需的工具。

使用IronPDF，您可以簡化工作流程，例如自動資料輸入、文件轉換和資料分析。 IronPDF的靈活性和高級功能使其成為處理各種基於 PDF 的任務的寶貴工具。