pdfptable 不能解析pdf表格，它仅用于生成表格；pdf中无原生表格对象，需用tabula-java调用、pdfpig坐标分析或ocr预处理实现表格识别。
用 PdfPTable 解析 PDF 表格？别试了，它根本不是干这个的
PDF 文件里没有“表格对象”这种东西—— PdfPTable 是 iTextSharp / iText7 里用来生成 PDF 表格的类，不是用来识别已有 PDF 中表格结构的。直接调用 GetTable() 或遍历 PdfPTable 实例会返回空或抛出 NullReferenceException，因为源 PDF 根本没存这个类型的数据。
真实情况是：PDF 把表格画成一堆独立的文本块、线条和矩形。提取表格本质是做视觉重建——得靠坐标聚类、线段分析、单元格对齐推断。
- 别在
PdfReader后尝试 cast 成PdfPTable，编译可能过，运行必崩 - 开源库如 iText7 的
TableLocation或 PDFBox 的PDFTextStripper默认都不输出表格结构，得自己加逻辑 - 如果 PDF 是扫描件（图片型），
PdfTextExtractor类直接返回空字符串，必须先 OCR
用 tabula-java + C# 调用是最稳的入门方案
Tabula 是专为 PDF 表格设计的工具，能基于线框和空白自动检测表格区域，准确率远高于纯文本解析。C# 本身不原生支持 PDF 表格识别，但可以安全调用它的命令行版。
实操步骤：
- 下载
tabula-javajar 包（最新稳定版如tabula-1.0.5-jar-with-dependencies.jar） - 用
Process.Start()执行命令：java -jar tabula.jar -p all -f JSON input.pdf（-p all提取全部页，-f JSON输出结构化数据） - 读取输出的 JSON，每个
table对象含data字段，就是二维字符串数组 - 注意路径空格：jar 路径或 PDF 路径含空格时，必须用双引号包裹，否则
java报Could not find or load main class - Windows 上首次运行可能被 SmartScreen 拦截，需右键解压后“属性 → 解除锁定”
PdfPig 能解析坐标但表格重建得自己写逻辑
PdfPig 是目前 C# 生态里最靠谱的 PDF 文本/图形解析库（MIT 协议，支持 .NET 5+），它能把 PDF 拆成 TextLine、 Path、 Rectangle 等原始元素，但不提供 ExtractTable() 这种方法。
你要自己做三件事：
- 用
page.GetTextLines()获取所有文本行，并记录Bounds（X/Y/Width/Height） - 用
page.GetPaths()找出近似水平/垂直的细长矩形（表格线），过滤掉字体描边等干扰路径 - 按 Y 坐标分组行，再按 X 坐标切分列——常见坑是合并单元格没线、数字右对齐导致 X 偏移、小数点被识别成独立字符
- 性能上，一页含 20+ 表格时，纯坐标聚类比
tabula-java调用慢 3–5 倍，且准确率依赖阈值调参（比如线宽容忍度设成0.8f还是1.2f）
OCR 场景下必须用 Tesseract + pdf2image 预处理
遇到扫描 PDF（ file.pdf 打开全是图，复制无文字）， PdfPig 和 tabula-java 都会返回空结果。这时流程变成：PDF → 图片 → 文字 → 表格结构。
关键组合：
- 用
pdf2image（Python 库）把 PDF 转为 PNG/JPG，C# 可通过Process.Start("python", "-m pdf2image ...")调用 - 用
TesseractOCR 识别图片，输出含坐标的 HOCR 格式（不是纯文本！），里面保留了每个单词的bbox - 再用和
PdfPig类似的坐标聚类法重建表格——但此时坐标来自 OCR，精度受 DPI 影响大（建议转图时用-r 300参数） - 容易忽略的一点：
Tesseract默认语言是英文，中文需指定-l chi_sim，否则中文全识别成乱码，且不报错
表格识别最难的永远不是代码怎么写，而是同一份 PDF 在不同渲染引擎（Acrobat / Edge / Chrome）里坐标偏移 0.3pt，就可能导致列切分错位。与其花三天调参，不如先确认 PDF 是文本型还是图像型——这是所有后续动作的前提。
