在C#中提取PDF表格并转换为HTML，推荐使用开源库iTextSharp（针对结构化PDF）和PdfPig（针对复杂布局）。以下是两种实现方案：

方案1：使用iTextSharp（推荐格式良好的PDF）

// 安装NuGet包：Install-Package iTextSharp
using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;
using System.Text;
using System.IO;


public class PdfTableExtractor
{
    public static string ExtractTableToHtml(string pdfPath)
    {
        var html = new StringBuilder();
        html.AppendLine("<table border='1'>");


        using (var reader = new PdfReader(pdfPath))
        {
            for (int page = 1; page <= reader.NumberOfPages; page++)
            {
                var strategy = new SimpleTextExtractionStrategy();
                string text = PdfTextExtractor.GetTextFromPage(reader, page, strategy);


                // 简单示例：按行分割（实际需更复杂解析）
                foreach (var line in text.Split('\n'))
                {
                    if (line.Contains("|")) // 假设表格使用竖线分隔
                    {
                        html.AppendLine("<tr>");
                        foreach (var cell in line.Split('|'))
                        {
                            html.AppendLine($"<td>{cell.Trim()}</td>");
                        }
                        html.AppendLine("</tr>");
                    }
                }
            }
        }


        html.AppendLine("</table>");
        return html.ToString();
    }
}


// 使用示例
string htmlTable = PdfTableExtractor.ExtractTableToHtml("input.pdf");
File.WriteAllText("output.html", htmlTable);

注意：此方案仅适用于结构简单的PDF表格。复杂表格需使用LocationTextExtractionStrategy解析坐标。

方案2：使用PdfPig（处理复杂布局）

// 安装NuGet包：Install-Package PdfPig
using UglyToad.PdfPig;
using System.Text;
using System.Collections.Generic;


public class PdfPigTableExtractor
{
    public static string ExtractTables(string pdfPath)
    {
        var html = new StringBuilder();
        html.AppendLine("<table border='1' style='border-collapse:collapse'>");


        using (var document = PdfDocument.Open(pdfPath))
        {
            foreach (var page in document.GetPages())
            {
                var words = page.GetWords();
                var lines = GroupWordsIntoLines(words);


                foreach (var line in lines)
                {
                    html.AppendLine("<tr>");
                    foreach (var word in line)
                    {
                        html.Append($"<td>{word.Text}</td>");
                    }
                    html.AppendLine("</tr>");
                }
            }
        }


        html.AppendLine("</table>");
        return html.ToString();
    }


    private static List<List<Word>> GroupWordsIntoLines(IEnumerable<Word> words)
    {
        // 按Y坐标分组（同一行）
        var grouped = new Dictionary<double, List<Word>>();
        foreach (var word in words)
        {
            var y = Math.Round(word.BoundingBox.Bottom, 1);
            if (!grouped.ContainsKey(y)) grouped[y] = new List<Word>();
            grouped[y].Add(word);
        }


        // 按行排序（从上到下）
        return grouped.OrderByDescending(g => g.Key)
                      .Select(g => g.Value.OrderBy(w => w.BoundingBox.Left).ToList())
                      .ToList();
    }
}


// 使用示例
string html = PdfPigTableExtractor.ExtractTables("input.pdf");
File.WriteAllText("table.html", html);

处理复杂表格的改进建议

1. 列检测：统计单词X坐标聚类，自动识别列边界

2. 单元格合并：通过空白区域检测跨行/跨列单元格

3. 使用专用库：

• Tabula（通过C#调用Java）

• Pdf2Data（高级表格提取）

示例HTML输出结构

<table border='1'>
  <tr>
    <td>Header 1</td>
    <td>Header 2</td>
  </tr>
  <tr>
    <td>Row 1 Cell 1</td>
    <td>Row 1 Cell 2</td>
  </tr>
</table>

提示：对于生产环境，建议结合PDF解析库（提取原始数据）+ HTML生成库（如HtmlAgilityPack）构建更健壮的解决方案。复杂PDF可能需要OCR预处理。