通州网站建设,网站在线访谈栏目建设,营销网站建设的价格,网站运营优化方案在当今数据驱动的世界中#xff0c;从 PDF 文档中无缝提取结构化表格数据已成为开发人员的一项关键任务。借助GrapeCity Documents for PDF ( GcPdf )#xff0c;您可以使用 C# 以编程方式轻松解锁这些 PDF 中隐藏的信息宝藏。
考虑一下 PDF#xff08;最常用的文档格式之一…在当今数据驱动的世界中从 PDF 文档中无缝提取结构化表格数据已成为开发人员的一项关键任务。借助GrapeCity Documents for PDF ( GcPdf )您可以使用 C# 以编程方式轻松解锁这些 PDF 中隐藏的信息宝藏。
考虑一下 PDF最常用的文档格式之一的流行程度以及它的表格中可以包含的大量数据。公司和组织一直在使用 PDF 文档来查看财务分析、股票趋势、联系方式等。现在想象一下多年来检查季度报告的情况其中数据的积累占据了中心位置。
从这些报告中获取数据最初看起来可能很容易复制/粘贴。尽管如此由于 PDF 文件的结构简单的复制和粘贴无需大量操作和修改即可获得表格数据的情况很少见。
再加上从许多其他文档复制和粘贴的可能性这是一个漫长的一天甚至一周或更长时间取决于所需数据的秘诀。有效地处理此类需求需要一个能够自动执行此过程的工具而 C# .NET GcPdf API 库是完成这项工作的完美工具
本文适用于希望减少收集数据所需时间并提高数据收集过程准确性的开发人员。这些示例将帮助开发人员了解 GcPdf 工具以便访问 PDF 文件中的表格并提取表格数据以便根据需要导出为 CSV 文件或其他格式例如 XLSX。
有关 PDF 文档中表格的重要信息
表格与 PDF 文件格式非常相似是一种几乎流行的数据呈现方式。尽管如此有必要了解 PDF 文档本质上缺乏表格的概念。换句话说您在 PDF 中看到的表格纯粹是视觉元素。
这些 PDF“表格”与我们在 MS Excel 或 MS Word 等应用程序中常见的表格不同。相反它们是通过负责在特定位置渲染文本和图形的运算符组合来构造的类似于表格结构。
这意味着行、列和单元格的传统概念对于 PDF 文件来说是陌生的没有底层代码组件来帮助识别这些元素。那么让我们深入研究一下 GcPdf 的 C# API 库如何帮助我们实现这一任务
如何使用 C# 以编程方式从 PDF 文档中提取表格数据
创建包含 GcPdf 的 .NET Core 控制台应用程序加载包含数据表的示例 PDF定义表识别参数获取表数据将提取的 PDF 表数据保存到另一种文件类型 (CSV)奖励将导出的 PDF 表格数据格式化为 Excel (XLSX) 文件
请务必下载示例应用程序 并尝试本博客文章中描述的用例场景和代码片段的详细实现。
创建包含 GcPdf 的 .NET Core 控制台应用程序
创建 .NET Core 控制台应用程序右键单击“依赖项”然后选择“管理 NuGet 包”。在“浏览”选项卡下搜索“GrapeCity.Documents.Pdf”并单击“安装”。 安装时您将收到“许可证接受”对话框。单击“我接受”继续。 在程序文件中导入以下命名空间 using System.Text;
using GrapeCity.Documents.Pdf;
using GrapeCity.Documents.Pdf.Recognition;
using System.Linq; 加载包含数据表的示例 PDF
通过初始化GcPdfDocument 构造函数来加载将要解析的 PDF 文档来创建新的 PDF 文档。调用 GcPdfDocument 的 Load 方法来加载包含数据表的原始 PDF 文档。 using (var fs File.OpenRead(Path.Combine(Resources, PDFs, zugferd-invoice.pdf)))
{// Initialize GcPdfvar pdfDoc new GcPdfDocument();// Load a PDF documentpdfDoc.Load(fs);
} 在此示例中我们将使用此 PDF 定义表识别参数
实例化RectangleF 类的新实例并定义 PDF 文档中的表格边界。 const float DPI 72;
using (var fs File.OpenRead(Path.Combine(Resources, PDFs, zugferd-invoice.pdf)))
{// Initialize GcPdfvar pdfDoc new GcPdfDocument();// Load a PDF documentpdfDoc.Load(fs);// The approx table bounds:var tableBounds new RectangleF(0, 2.5f * DPI, 8.5f * DPI, 3.75f * DPI);
} 为了帮助在定义的参数内识别表格我们使用TableExtractOptions类允许我们微调表格识别考虑表格格式的特性。TableExtractOptions 是一个参数用于指定表格式选项例如列宽、行高以及行或列之间的距离。 // TableExtractOptions allow to fine-tune table recognition accounting for
// specifics of the table formatting:
var tableExtrctOpt new TableExtractOptions();
var GetMinimumDistanceBetweenRows tableExtrctOpt.GetMinimumDistanceBetweenRows;// In this particular case, we slightly increase the minimum distance between rows
// to make sure cells with wrapped text are not mistaken for two cells:
tableExtrctOpt.GetMinimumDistanceBetweenRows (list)
{var res GetMinimumDistanceBetweenRows(list);return res * 1.2f;
}; 获取 PDF 的表格数据
创建一个列表来保存 PDF 页面中的表格数据。 // CSV: list to keep table data from all pages:
var data new ListListstring(); 使用 定义的表边界在上一步中定义调用GetTable 方法以使 GcPdf 搜索指定矩形内的表。 for (int i 0; i pdfDoc.Pages.Count; i)
{// Get the table at the specified bounds:var itable pdfDoc.Pages[i].GetTable(tableBounds, tableExtrctOpt);
} 使用ITable.GetCell(rowIndex, colIndex) 方法访问表中的每个单元格。使用 Rows.Count 和 Cols.Count 属性循环访问提取的表格单元格。 for (int i 0; i pdfDoc.Pages.Count; i)
{// Get the table at the specified bounds:var itable pdfDoc.Pages[i].GetTable(tableBounds, tableExtrctOpt);if (itable ! null){for (int row 0; row itable.Rows.Count; row){// CSV: add next data row ignoring headers:if (row 0)data.Add(new Liststring());for (int col 0; col itable.Cols.Count; col){var cell itable.GetCell(row, col);if (cell null row 0)data.Last().Add();else{if (cell ! null row 0)data.Last().Add($\{cell.Text}\);}}}}
} 将提取的 PDF 表数据保存到另一种文件类型 (CSV)
对于此步骤我们必须首先添加对“System.Text.Encoding.CodePages”NuGet 包引用的引用。
然后为了保存上一步中从变量中提取的 PDF 表数据我们将使用 File 类 并调用其 AppendAllLines 方法。 for (int i 0; i pdfDoc.Pages.Count; i)
{// Get the table at the specified bounds:var itable pdfDoc.Pages[i].GetTable(tableBounds, tableExtrctOpt);if (itable ! null){for (int row 0; row itable.Rows.Count; row){// CSV: add next data row ignoring headers:if (row 0)data.Add(new Liststring());for (int col 0; col itable.Cols.Count; col){var cell itable.GetCell(row, col);if (cell null row 0)data.Last().Add();else{if (cell ! null row 0)data.Last().Add($\{cell.Text}\);}} }}
} 数据现在将以 CSV 文件形式提供 原版PDF 在 CSV 文件中提取 PDF 表数据
奖励将导出的 PDF 表格数据格式化为 Excel (XLSX) 文件
尽管数据现在以易于读取和操作的格式提供但它是以 CSV 文件格式的原始格式保存的。为了更好地利用数据并使分析更容易进行请使用 GrapeCity Documents for Excel (GcExcel) .NET 版本和 C# 将 CSV 文件加载到 Excel (XLSX) 文件中并对提取的数据应用样式和格式。 要使用 GcExcel请将NuGet 包“GrapeCity.Documents.Excel”添加到项目中并添加其命名空间。 using GrapeCity.Documents.Excel; 初始化 GcExcel 工作簿实例并使用Open方法加载 CSV 文件。 var workbook new GrapeCity.Documents.Excel.Workbook();workbook.Open(${fileName}, OpenFileFormat.Csv); 获取提取数据的范围并包装单元格范围对列应用自动调整大小并应用带条件背景颜色的样式。 IWorksheet worksheet workbook.Worksheets[0];
IRange range worksheet.Range[A2:E10];// wrapping cell content
range.WrapText true;// styling column names
worksheet.Range[A1].EntireRow.Font.Bold true;// auto-sizing range
worksheet.Range[A1:E10].AutoFit();// aligning cell content
worksheet.Range[A1:E10].HorizontalAlignment HorizontalAlignment.Center;
worksheet.Range[A1:E10].VerticalAlignment VerticalAlignment.Center;// applying conditional format on UnitPrice
IColorScale twoColorScaleRule worksheet.Range[E2:E10].FormatConditions.AddColorScale(ColorScaleType.TwoColorScale);twoColorScaleRule.ColorScaleCriteria[0].Type ConditionValueTypes.LowestValue;
twoColorScaleRule.ColorScaleCriteria[0].FormatColor.Color Color.FromArgb(255, 229, 229);twoColorScaleRule.ColorScaleCriteria[1].Type ConditionValueTypes.HighestValue;
twoColorScaleRule.ColorScaleCriteria[1].FormatColor.Color Color.FromArgb(255, 20, 20);Thread.Sleep(1000); 最后使用Save方法将工作簿保存为 Excel 文件 workbook.Save(ExtractedData_Formatted.xlsx); 如您所见使用 C# 和 GcPdf开发人员可以以编程方式将 PDF 表格数据提取到另一个文件如 CSV然后使用 GcExcel可以将数据转换为风格化和格式化的 Excel XLSX 文件以便于数据分析 原版PDF 在 CSV 文件中提取 PDF 表数据 格式化 Excel XLSX 文件
GrapeCity 的 .NET PDF API 库
将此 .NET PDF 服务器端 API 集成到桌面或基于 Web 的应用程序中使开发人员能够完全控制 PDF - 快速生成文档、提高内存效率且无依赖性。
