在数据处理、自动化报表生成、业务数据整合等场景中，从 PDF 文件中提取表格是一项常见需求。PDF 作为通用文档格式，虽便于数据共享，但因底层以 “视觉布局” 而非 “结构化数据” 存储，导致编程提取表格时面临格式解析、数据对齐等难题。本文将介绍如何使用 Spire.PDF for .NET 库通过 C# 提取 PDF 中的表格，并将结果导出为 TXT 和 CSV 格式以便进一步分析。
目录：
搭建 C# 开发环境
Spire.PDF for .NET 是一个功能强大的库，用于在 C# 和 VB.NET 中处理 PDF 文件。它支持广泛的 PDF 操作，包括表格提取、文本提取、图像提取等。
推荐通过 NuGet 包管理器安装 Spire.PDF（最便捷，自动处理依赖）。步骤如下：
1. 打开 Visual Studio 并创建一个新的 C# 项目。（此处新建了一个控制台应用程序）；
2. 在 Visual Studio 中，右键点击项目名称 → 选择 “管理 NuGet 程序包”；
3. 在 “浏览” 页搜索 Spire.PDF，选择最新稳定版 → 点击 “安装”。
了解 PDF 表格结构
在编写代码之前，让我们先弄清楚 PDF 是如何存储表格的。与 Excel（明确定义行 / 列）不同，PDF 无原生 “表格” 概念，仅通过 3 类视觉元素模拟表格：
- 文本块：每个单元格的文本是独立元素，通过坐标（X/Y 轴）定位；
- 边框线条：水平 / 垂直线条作为视觉分隔，标识表格的行 / 列边界；
- 间距规则：文本块之间的固定间隙，辅助区分不同单元格。
Spire.PDF 的 PdfTableExtractor 类正是通过分析这些视觉元素，逆向推断出表格结构，从而实现结构化提取。
如何通过 C# 从 PDF 中提取表格
如果你需要快速预览表格数据（例如，开发调试或验证提取结果），可以直接通过控制台实时输出结果，无需生成额外文件，节省开发时间。
从 PDF 表格中提取数据的关键方法：
- PdfDocument：表示一个 PDF 文件。
- LoadFromFile：加载要处理的 PDF 文件。
- PdfTableExtractor：基于视觉线索检测 PDF 中的表格。
- ExtractTable(pageIndex)：提取指定页码的所有表格，返回 PdfTable 数组。
- GetRowCount()/GetColumnCount()：检索每个表格的行数和列数。
- GetText(rowIndex, columnIndex)：从指定单元格中提取文本。
using Spire.Pdf;
using Spire.Pdf.Utilities;
namespace ExtractPdfTable
{
class Program
{
static void Main(string[] args)
{
// 创建PdfDocument对象
PdfDocument pdf = new PdfDocument();
// 加载PDF文件
pdf.LoadFromFile("表格.pdf");
// 初始化PdfTableExtractor类的实例
PdfTableExtractor extractor = new PdfTableExtractor(pdf);
// 循环遍历页面
for (int pageIndex = 0; pageIndex < pdf.Pages.Count; pageIndex++)
{
// 从特定页面提取表格
PdfTable[] tableList = extractor.ExtractTable(pageIndex);
// 判断表格列表是否为空
if (tableList != null && tableList.Length > 0)
{
int tableNumber = 1;
// 循环遍历列表中的表格
foreach (PdfTable table in tableList)
{
Console.WriteLine($"\n第 {pageIndex + 1} 页的第 {tableNumber} 个表格：");
Console.WriteLine("-----------------------------------");
// 获取特定表格的行数和列数
int row = table.GetRowCount();
int column = table.GetColumnCount();
// 循环遍历行和列
for (int i = 0; i < row; i++)
{
for (int j = 0; j < column; j++)
{
// 从特定单元格获取文本
string text = table.GetText(i, j);
// 将单元格文本打印到控制台并带有分隔符
Console.Write($"{text}\t");
}
// 每行后换行
Console.WriteLine();
}
tableNumber++;
}
}
}
// 关闭文档
pdf.Close();
}
}
}
适用场景
- 快速调试或验证提取的数据。
- 小型数据集预览。
输出： 检索 PDF 表格数据并输出到控制台
C# 提取 PDF 表格到 TXT 文本文件
对于轻量级的数据存档，将表格保存到文本文件是理想的选择。此方法使用 StringBuilder 高效地编译表格数据，保留换行符以提高可读性。
将 PDF 表格导出到 TXT 的主要优势：
- 高效性：StringBuilder 优化文本拼接效率，减少内存占用。
- 可读性：保留表格的行结构，用换行符\r\n分隔行，避免数据杂乱。
- 兼容性：TXT 格式无平台限制，Windows、macOS、Linux 均可直接打开，无需依赖专用软件。
using Spire.Pdf;
using Spire.Pdf.Utilities;
using System.Text;
namespace ExtractTableToTxt
{
class Program
{
static void Main(string[] args)
{
// 创建PdfDocument对象
PdfDocument pdf = new PdfDocument();
// 加载PDF文件
pdf.LoadFromFile("表格.pdf");
// 创建StringBuilder对象
StringBuilder builder = new StringBuilder();
// 初始化PdfTableExtractor类的实例
PdfTableExtractor extractor = new PdfTableExtractor(pdf);
// 声明PdfTable数组
PdfTable[] tableList = null;
// 循环遍历页面
for (int pageIndex = 0; pageIndex < pdf.Pages.Count; pageIndex++)
{
// 从特定页面提取表格
tableList = extractor.ExtractTable(pageIndex);
// 判断表格列表是否为空
if (tableList != null && tableList.Length > 0)
{
// 循环遍历列表中的表格
foreach (PdfTable table in tableList)
{
// 获取特定表格的行数和列数
int row = table.GetRowCount();
int column = table.GetColumnCount();
// 循环遍历行和列
for (int i = 0; i < row; i++)
{
for (int j = 0; j < column; j++)
{
// 从特定单元格获取文本
string text = table.GetText(i, j);
// 将文本添加到字符串生成器
builder.Append(text + " ");
}
builder.Append("\r\n");
}
}
}
}
// 写入.txt文件
File.WriteAllText("提取PDF表格.txt", builder.ToString());
}
}
}
适用场景
- 以轻量级、普遍可访问的格式存档表格数据。
- 跨平台共享（所有设备均可打开 TXT）。
- 简单脚本输入（如 PowerShell 后续处理）。
输出： 提取 PDF 表格数据并保存到文本文件。
扩展应用：对于VB.NET代码示例，请使用我们的 C#⇆VB.NET 转换器直接转换上述代码。
C# 将 PDF 表格导出为 CSV
CSV（逗号分隔值）是表格数据的行业标准，与 Excel、Google Sheets 和数据库兼容。此方法通过引用单元格和处理特殊字符，将提取的表格格式化为有效的 CSV 文件。
提取 PDF 表格到 CSV 的主要特点：
- StreamWriter：增量写入数据到 CSV 文件，减少大型 PDF 文件的内存占用。
- 特殊字符处理：按 CSV 标准转义单元格中的逗号和双引号，避免列错位。
- 工具兼容：生成的 CSV 可直接用 Excel 打开，无需手动调整格式，减少后续操作成本。
- 编码兼容：UTF-8 编码确保中文、特殊符号在 Excel 中正常显示（避免打开时乱码）。
using Spire.Pdf;
using Spire.Pdf.Utilities;
using System.Text;
namespace ExtractTableToCsv
{
class Program
{
static void Main(string[] args)
{
// 创建PdfDocument对象
PdfDocument pdf = new PdfDocument();
// 加载PDF文件
pdf.LoadFromFile("表格.pdf");
// 创建StreamWriter对象以高效写入CSV
using (StreamWriter csvWriter = new StreamWriter("PDF表格.csv", false, Encoding.UTF8))
{
// 创建PdfTableExtractor对象
PdfTableExtractor extractor = new PdfTableExtractor(pdf);
// 循环遍历页面
for (int pageIndex = 0; pageIndex < pdf.Pages.Count; pageIndex++)
{
// 从特定页面提取表格
PdfTable[] tableList = extractor.ExtractTable(pageIndex);
// 判断表格列表是否为空
if (tableList != null && tableList.Length > 0)
{
// 循环遍历列表中的表格
foreach (PdfTable table in tableList)
{
// 获取特定表格的行数和列数
int row = table.GetRowCount();
int column = table.GetColumnCount();
// 循环遍历行
for (int i = 0; i < row; i++)
{
// 创建列表存储数据
List<string> rowData = new List<string>();
// 循环遍历列
for (int j = 0; j < column; j++)
{
// 从表格单元格检索文本
string cellText = table.GetText(i, j).Replace("\"", "\"\"");
// 将单元格文本添加到列表并用双引号括起来
rowData.Add($"\"{cellText}\"");
}
// 用逗号连接单元格并写入CSV
csvWriter.WriteLine(string.Join(",", rowData));
}
}
}
}
}
}
}
}
适用场景
- 数据分析（导入 Excel 进行计算）。
- 将 PDF 表格迁移到数据库（导入 MySQL、SQL Server）。
输出： 解析 PDF 表格数据并导出到 CSV 文件。
推荐：与 Spire.XLS for .NET 集成，直接提取 PDF 表格到 Excel 文档。
结论
本文提供了三种在 C# 中提取 PDF 表格的有效方法。通过利用 Spire.PDF for .NET 库，开发者可以快速实现 PDF 表格的结构化提取，同时兼顾效率与兼容性。根据实际需求选择合适的导出格式，能大幅提升数据处理效率，减少人工录入成本。
如需进一步探索 PDF 处理功能（如 PDF 生成、水印添加、页面合并），可参考 Spire.PDF 官方文档；若需商业场景测试，可获取 30 天免费试用许可证。
常见问题
问题 1：为什么使用 Spire.PDF for .NET 提取表格？
答： Spire.PDF 提供了专用的 PdfTableExtractor 类，该类基于视觉提示（边框、间距和文本对齐）检测表格，简化了从 PDF 解析结构化数据的过程。
问题 2：Spire.PDF 能否从扫描 PDF 中提取表格？
答： 不能。此.NET PDF 库仅支持文本型 PDF（文本可选中、复制）。对于扫描的 PDF，请使用 Spire.OCR （OCR 文字识别库）先提取文本，然后再解析表格。
问题 3：能否一次性从多个 PDF 中提取表格？
答：可通过 Directory.GetFiles() 遍历文件夹中的所有 PDF，循环执行提取逻辑，示例代码如下：
string[] pdfFiles = Directory.GetFiles(@"C:\Invoices\", "*.pdf");
foreach (string file in pdfFiles)
{
// 表格提取的代码
}
问题 4：从大型 PDF 中提取表格时，如何提高性能？
答： 对于大型 PDF（100 + 页），通过以下方式优化性能：
- 分批处理页面，避免一次性加载整个 PDF。
- 用 using 包裹 PdfDocument 和 PdfTableExtractor，确保处理完一批页面后立即释放内存。
- 跳过没有表格的页面（
using if (tableList == null || tableList.Length == 0)）。
