PDF Area Extractor to Excel (Java)

"PDF Area Extractor to Excel (Java)" es un programa que he creado con el objetivo de automatizar tareas administrativas. Este programa sirve para extraer información de documentos de texto digital (no fotocopias) donde la información se estructura en forma de tablas o siguiendo un formato estandarizado por cada página. Es decir, solo servirá para documentos en los que la información se estructure de la misma manera en cada página, como facturas, formularios, encuestas, documentos bancarios y otros.

Este programa permite al usuario definir una serie de campos en una lista, que darán origen a las columnas del Excel generado. A cada campo de la lista se le puede asignar un área del PDF, y el programa recorrerá el documento guardando en forma de filas los datos ordenados según los campos definidos por el usuario en la lista de campos, resultando de una tabla de Excel. Además, el programa permite crear campos con valores incrementales, cosa que facilita la gestión del documento en tareas como el análisis de datos o la importación a bases de datos.

---

Componentes de la interfaz

A continuación se muestra en imágenes la interfaz con sus componentes enumerados, seguidas de tablas que ofrecen algunos detalles como su nombre, el tipo de componente y su función.

Nº	Nombre del componente	Tipo de componente	Función
1	lblLoadFile	JLabel	Informativo.
2	btnSelector	JButton	Abre el selector de archivos para cargar un PDF.
3	txfLink	JTextField	Muestra la ruta del archivo PDF cargado.
4	lblStructure	JLabel	Informativo.
5	imgPage1	JLabel (icono)	Complemento gráfico.
6	imgPage2	JLabel (icono)	Complemento gráfico.
7	imgPage3	JLabel (icono)	Complemento gráfico.
8	imgPage4	JLabel (icono)	Complemento gráfico.
9	imgPage5	JLabel (icono)	Complemento gráfico.
10	rdbStructure1	JRadioButton	Define el recorrido cada dos caras.
11	rdbStructure2	JRadioButton	Define el recorrido en cada cara para los mismos datos.
12	rdbStructure3	JRadioButton	Define el recorrido en cada cara para datos distintos.
13	lblPagesScanner	JLabel	Informativo.
14	rdbPagesScanner1	JRadioButton	Define el recorrido de todas las páginas.
15	rdbPagesScanner2	JRadioButton	Define el recorrido de un rango de páginas.
16	lblPageStart	JLabel	Informativo.
17	txfStart	JTextField	Guarda el número de la página de inicio del recorrido.
18	lblPageEnd	JLabel	Informativo.
19	txfEnd	JTextField	Guarda el número de la página de inicio del recorrido.

Nº	Nombre del componente	Tipo de componente	Función
20	lblData	JLabel	Informativo.
21	lblDataList	JLabel	Informativo.
22	lstDataList	JList	Lista de campos definidos por el usuario.
23	btnAddField	JButton	Añade un nuevo campo a la lista.
24	btnDeleteField	JButton	Elimina el campo seleccionado.
25	btnClearList	JButton	Borra toda la lista de campos.
26	btnEditField	JButton	Edita el nombre del campo seleccionado.
27	btnMoveUpField	JButton	Mueve el campo seleccionado hacia arriba.
28	btnMoveDownField	JButton	Mueve el campo seleccionado hacia abajo.
29	lblDataFieldType	JLabel	Informativo.
30	rdbFieldTypeUnique	JRadioButton	Define un campo como valor único.
31	rdbFieldTypeMaster	JRadioButton	Define un campo como valor múltiple maestro.
32	rdbFieldTypeDependent	JRadioButton	Define un campo como valor múltiple dependiente.
33	lblDataUbication	JLabel	Informativo.
34	lblPage	JLabel	Informativo.
35	txfPage	JTextField	Muestra en qué cara de la página se encuentra el área seleccionada.
36	lblAxisX	JLabel	Informativo.
37	txfAxisX	JTextField	Muestra la coordenada X del área seleccionada.
38	lblAxisY	JLabel	Informativo.
39	txfAxisY	JTextField	Muestra la coordenada Y del área seleccionada.
40	lblDataOptions	JLabel	Informativo.
41	lblMaster	JLabel	Informativo.
42	cmbMaster	JComboBox	Permite seleccionar el campo maestro (si el campo es dependiente).
43	chkItem	JCheckBox	Activa el modo "campo sin área".
44	cmbItem	JComboBox	Define el tipo de dato del campo sin área (ID, PAGE, DATE).
45	chkText	JCheckBox	Activa la normalización de texto.
46	cmbText	JComboBox	Selecciona el tipo de normalización (UPPERCASE, lowercase, Title).
47	chkSpaces	JCheckBox	Elimina espacios dentro del texto extraído.
48	chkSymbols	JCheckBox	Elimina caracteres no numéricos del texto.
49	btnValidate	JButton	Valida la configuración de los campos y recorre el documento para guardar los datos.
50	btnGenerate	JButton	Genera el archivo Excel con los datos extraídos.

Nº	Nombre del componente	Tipo de componente	Función
51	tglPag1	JToggleButton	Selecciona la cara delantera del documento.
52	tglPag2	JToggleButton	Selecciona la cara trasera del documento.
53	sldRightPanel	JSlider	Controla el nivel de zoom del visor PDF.

---

Estructura del proyecto y clases

El proyecto está organizado en varios paquetes, separando la parte gráfica, la lógica de control y los modelos de datos.

Paquete pdfareaextractortoexcel.app

• PDFAreaExtractorApp
  Es la clase principal de la aplicación. Se encarga de crear la ventana (JFrame), inicializar todos los componentes de la interfaz y exponer getters para que el controlador (MainController) pueda manejarlos. Es el punto de entrada del programa (main).

Paquete pdfareaextractortoexcel.view

• PDFPagePanel
  Es un panel personalizado que se encarga de mostrar las páginas del PDF como imagen, gestionar el zoom, el scroll y la selección de áreas con el ratón. También dibuja visualmente las áreas ya definidas sobre el documento.

Paquete pdfareaextractortoexcel.services

• MainController
  Es el controlador principal de la aplicación. Conecta la interfaz con la lógica interna: gestiona los eventos de los botones y campos, coordina la carga del PDF, la definición de campos, la selección de áreas, la validación de la configuración y la llamada al motor de extracción y exportación.

• FieldManager
  Gestiona la lista de campos definidos por el usuario. Se encarga de crear, editar, eliminar y reordenar los campos, manteniendo sincronizada la lista de campos (lstDataList) con los objetos de configuración (FieldConfig).

• AreaSelectionManager
  Gestiona las áreas asociadas a cada campo. Convierte las selecciones realizadas en el PDFPagePanel a coordenadas relativas, las guarda en los campos correspondientes y se encarga de actualizar la vista de las áreas en el PDF.

• ExtractionEngine
  Es el núcleo de la extracción de datos. Recorre el documento PDF según la estructura y el rango configurados, utiliza las áreas de cada campo para extraer texto y construye las filas que posteriormente se volcarán al Excel.

• ExcelExporter
  Es l encargado de generar el archivo Excel final a partir de los datos extraídos. Crea las columnas a partir de los campos definidos y vuelca las filas de resultados utilizando Apache POI.

• PDFTextProcessor
  Se encarga de dar apoyo al motor de extracción, realizando operaciones sobre el texto extraído: normalización (mayúsculas, minúsculas, título), eliminación de espacios o símbolos, conversión de coordenadas de áreas a rectángulos PDFBox, etc.

Paquete pdfareaextractortoexcel.model

• FieldConfig
  Modelo que representa la configuración de un campo de la lista. Almacena el nombre del campo, su tipo (único, maestro, dependiente), las áreas por página, si es un campo sin área, el tipo de dato asociado, opciones de normalización y limpieza, y la relación con un campo maestro si aplica.

• ExtractionSettings
  Contiene los ajustes globales de extracción: modo de estructura del documento (cada página, cada dos páginas, caras distintas), modo de escaneo (documento completo o rango) y páginas de inicio y fin.

• Enums (FieldType, ItemType, PageScanMode, StructureMode, TextCaseType)
  Conjuntos de valores predefinidos que describen:

  • El tipo de campo (FieldType)
  • El tipo de campo sin área (por ejemplo, ID, fecha, página) (ItemType)
  • El modo de escaneo de páginas (PageScanMode)
  • La estructura del documento (cada página, cada dos, caras distintas) (StructureMode)
  • El tipo de normalización de texto (TextCaseType)

---

Entorno de desarrollo y librerías

Este proyecto ha sido desarrollado utilizando un entorno Java estándar basado en NetBeans y librerías externas para el tratamiento de PDF y la generación de archivos Excel. A continuación se detallan las herramientas y dependencias utilizadas.

Entorno de desarrollo

• Sistema operativo: Windows 11
• IDE: Apache NetBeans IDE 25
• JDK utilizado: JDK 24

El proyecto está estructurado como un proyecto clásico de NetBeans, con carpetas src/, nbproject/, graphicresources/, etc.

Librerías utilizadas

A continuación se listan todas las librerías externas añadidas al proyecto. Cada una incluye una breve descripción de su función dentro del programa.

Apache Commons

• commons-collections4-4.4.jar
  Proporciona colecciones y estructuras de datos avanzadas utilizadas por algunas funciones internas de Apache POI.

• commons-compress-1.27.1.jar
  Gestión de compresión ZIP. Necesario para trabajar con archivos XLSX, ya que estos son contenedores ZIP.

Log4j (requerido por dependencias internas)

• log4j-api-2.17.1.jar
  API de logging utilizada por POI y otros componentes que generan trazas de ejecución.

• log4j-core-2.17.1.jar
  Implementación principal de Log4j. Se usa para registrar mensajes internos y soporte de depuración.

Apache PDFBox (procesamiento de PDF)

• pdfbox-app-3.0.5.jar
  Librería principal para trabajar con archivos PDF.
  Permite:
  • Cargar el PDF
  • Extraer texto por áreas (PDFTextStripperByArea)
  • Convertir páginas en imágenes para mostrarlas en PDFPagePanel
  • Manipular coordenadas y estructuras internas del PDF

Apache POI (generación de Excel)

• poi-5.2.3.jar
  Núcleo de Apache POI para manipulación de documentos Microsoft.

• poi-ooxml-5.2.3.jar
  Soporte para archivos Excel en formato OOXML (.xlsx).
  Permite crear libros, hojas, filas y celdas.

• poi-ooxml-full-5.2.3.jar
  Conjunto extendido de esquemas OOXML.
  Necesario para asegurar compatibilidad completa con Excel moderno.

• xmlbeans-5.2.0.jar
  Motor de procesamiento XML utilizado por POI
  (obligatorio para interpretar la estructura interna de los archivos XLSX).

---

Instalación del proyecto y generación de un ejecutable

Para compilar, ejecutar o generar un ejecutable, basta con:

• Disponer de una IDE ("Apache NetBeans IDE 25" preferiblemente)
• Instalar un JDK ("JDK 24" preferiblemente)
• Añadir las mismas librerías en Project → Properties → Libraries

Tras hacerle un "Build and Clean" al proyecto, el ejecutable se generará dentro de la carpeta "dist" del proyecto junto a una carpeta con las librerías. No debe separarse el ejecutable de la carpeta que contiene las librerías. En caso de querer tener el ejecutable en otro lugar (otra carpeta o en el escritorio) conviene copiar el ejecutable y pegarlo en forma de acceso directo donde queramos tenerlo.

---

Licencia

Este proyecto está protegido bajo la licencia Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0).

Esto significa que:

• Puedes usar el código libremente.
• Puedes modificarlo y adaptarlo.
• Puedes compartirlo con otras personas.
• No puedes utilizarlo con fines comerciales.
• No puedes vender el código ni integrarlo en productos o servicios de pago.
• Debes atribuir al autor original en cualquier redistribución.

Permisos especiales

Si deseas un permiso específico para uso comercial, puedes solicitarlo contactando directamente conmigo.