Cara Memparsing PDF dengan GroupDocs.Parser di Java

Di dunia yang didorong oleh data saat ini, cara memparsing PDF secara efisien dapat membuat perbedaan besar dalam produktivitas. Baik Anda mengotomatisasi pemrosesan faktur, mendigitalkan catatan, atau mengekstrak teks dari laporan PDF, perpustakaan yang tepat menghemat waktu dan mengurangi kesalahan. Dalam panduan ini, Anda akan belajar cara memparsing dokumen PDF menggunakan GroupDocs.Parser di Java, mendefinisikan bidang templat, membuat templat dokumen, dan mengekstrak data dari file PDF dengan percaya diri.

Jawaban Cepat

Apa tujuan utama GroupDocs.Parser? Mengekstrak data terstruktur dari PDF, DOCX, dan format dokumen lainnya.
Apakah saya dapat mengekstrak data dari PDF tanpa templat? Ya, tetapi menggunakan templat meningkatkan akurasi untuk dokumen dengan tata letak tetap.
Apakah saya memerlukan lisensi untuk mencobanya? Uji coba gratis atau lisensi sementara tersedia untuk evaluasi.
Versi Java apa yang diperlukan? Java 8 atau lebih tinggi; perpustakaan ini bekerja dengan JDK 11, 17, dll.
Apakah Maven satu-satunya cara untuk menambahkan perpustakaan? Tidak, Anda juga dapat mengunduh JAR secara langsung dari repositori resmi.

Apa itu “cara memparsing PDF” dengan GroupDocs.Parser?

Memparsing PDF berarti membaca struktur internal file dan mengambil informasi yang Anda butuhkan—teks, tabel, atau bidang tertentu—sehingga aplikasi Anda dapat menggunakannya secara programatis.

Mengapa menggunakan GroupDocs.Parser untuk memparsing PDF?

Akurasi tinggi dengan bidang templat posisi tetap.
Dukungan untuk banyak format di luar PDF (DOCX, XLSX, dll).
Integrasi mudah melalui Maven atau unduhan JAR langsung.
Penanganan error yang kuat untuk format yang tidak didukung.

Prasyarat

Sebelum kita mulai, pastikan Anda memiliki hal berikut:

GroupDocs.Parser versi 25.5 atau lebih baru.
Java Development Kit (JDK) 8 atau lebih baru terpasang.
IDE seperti IntelliJ IDEA atau Eclipse.
Maven untuk manajemen dependensi (opsional tetapi disarankan).

Perpustakaan yang Diperlukan

GroupDocs.Parser versi 25.5 atau lebih baru.
Pastikan Java Development Kit (JDK) terpasang di mesin Anda.

Persyaratan Penyiapan Lingkungan

Integrated Development Environment (IDE) Java, seperti IntelliJ IDEA atau Eclipse.
Maven untuk manajemen dependensi (opsional tetapi disarankan).

Prasyarat Pengetahuan

Pemahaman dasar tentang konsep pemrograman Java.
Familiaritas dengan struktur dokumen PDF dan bidang templat.

Menyiapkan GroupDocs.Parser untuk Java

Untuk mulai menggunakan GroupDocs.Parser dalam proyek Java Anda, Anda perlu menambahkan perpustakaan ke konfigurasi build Anda.

Penyiapan Maven

Tambahkan konfigurasi berikut ke file pom.xml Anda untuk menyertakan GroupDocs.Parser sebagai dependensi:

<repositories>
   <repository>
      <id>repository.groupdocs.com</id>
      <name>GroupDocs Repository</name>
      <url>https://releases.groupdocs.com/parser/java/</url>
   </repository>
</repositories>

<dependencies>
   <dependency>
      <groupId>com.groupdocs</groupId>
      <artifactId>groupdocs-parser</artifactId>
      <version>25.5</version>
   </dependency>
</dependencies>

Unduhan Langsung

Sebagai alternatif, Anda dapat mengunduh versi terbaru dari GroupDocs.Parser for Java releases.

Akuisisi Lisensi

Dapatkan uji coba gratis atau lisensi sementara untuk menjelajahi semua kemampuan GroupDocs.Parser.
Anda dapat membeli lisensi jika memutuskan bahwa itu memenuhi kebutuhan Anda.

Setelah diinstal, inisialisasi GroupDocs.Parser dalam proyek Anda dengan mengimpor kelas yang diperlukan dan menyiapkan konfigurasi dasar. Sekarang mari beralih ke implementasi inti.

Panduan Implementasi

Kami akan melangkah melalui tiga langkah kunci: mendefinisikan bidang templat, membuat templat dokumen, dan memparsing PDF menggunakan templat tersebut.

Mendefinisikan bidang templat dengan posisi tetap

Menentukan lokasi data secara akurat pada halaman sangat penting untuk ekstraksi yang dapat diandalkan. Di bawah ini adalah kode untuk mendefinisikan bidang templat.

Langkah 1: Impor Kelas yang Diperlukan

import com.groupdocs.parser.templates.TemplateField;
import com.groupdocs.parser.templates.Rectangle;
import com.groupdocs.parser.templates.Size;
import com.groupdocs.parser.templates.Point;

Langkah 2: Buat Bidang Templat

// Define a rectangle for fixed positioning of the field
templateField = new TemplateField(
    new Rectangle(new Point(35, 135), new Size(100, 10)), // Coordinates and size
    "FromCompany"); // Name of the field

Potongan kode ini membuat TemplateField bernama FromCompany yang diposisikan pada (35, 135) dengan ukuran 100 × 10 poin. Penempatan yang tepat ini membantu parser mengekstrak data dari PDF dokumen di mana tata letaknya tidak pernah berubah.

Membuat templat dokumen dengan bidang yang didefinisikan

Sekarang gabungkan bidang-bidang tersebut ke dalam templat yang dapat digunakan kembali.

Langkah 1: Impor Kelas yang Diperlukan

import com.groupdocs.parser.templates.Template;
import com.groupdocs.parser.templates.TemplateItem;
import java.util.Arrays;

Langkah 2: Buat dan Tambahkan Bidang Templat

// Construct a template with specified fields
template = new Template(Arrays.asList(new TemplateItem[]{field}));

Semua bidang yang didefinisikan kini menjadi bagian dari satu templat dokumen, siap untuk diparsing.

Memparsing PDF menggunakan templat

Dengan templat siap, Anda dapat mengekstrak informasi yang diinginkan dari PDF yang cocok.

Langkah 1: Impor Kelas yang Diperlukan

import com.groupdocs.parser.Parser;
import com.groupdocs.parser.data.DocumentData;
import com.groupdocs.parser.data.PageTextArea;
import com.groupdocs.parser.exceptions.UnsupportedDocumentFormatException;

Langkah 2: Parsing Dokumen

String inputFilePath = "YOUR_DOCUMENT_DIRECTORY/sample_invoice.pdf"; // Replace with your document path

try (Parser parser = new Parser(inputFilePath)) {
    if (!parser.getFeatures().isText()) {
        throw new UnsupportedDocumentFormatException("The document format is not supported.");
    }

    // Parse the document using the template
    DocumentData data = parser.parseByTemplate(template);

    // Extract and print all relevant data from the parsed document
    for (int i = 0; i < data.getCount(); i++) {
        Object pageArea = data.get(i).getPageArea();
        PageTextArea area = pageArea instanceof PageTextArea ? (PageTextArea) pageArea : null;

        // Output extracted field name and text content if available
        String fieldName = data.get(i).getName();
        String fieldValue = area == null ? "Not a template field" : area.getText();
    }
} catch (UnsupportedDocumentFormatException e) {
    System.err.println("Error: " + e.getMessage());
}

Kode ini membuka PDF, memverifikasi bahwa ekstraksi teks didukung, memparsing file dengan templat, dan kemudian mengiterasi setiap bidang yang diekstrak. Jika format dokumen tidak didukung, pengecualian yang jelas akan dilemparkan.

Aplikasi Praktis

GroupDocs.Parser bersinar dalam banyak skenario dunia nyata:

Pemrosesan Faktur – Mengambil tanggal, jumlah, dan nama vendor secara otomatis.
Ekstraksi Data Formulir – Menangkap bidang yang diisi dari formulir yang dipindai.
Manajemen Kontrak – Mengidentifikasi istilah kunci, pihak, dan tanggal dalam kontrak.

Pertimbangan Kinerja

Hapus objek Parser dengan cepat untuk membebaskan memori.
Jaga templat sesederhana mungkin; bidang yang tidak perlu menambah beban.
Secara teratur perbarui perpustakaan untuk mendapatkan perbaikan kinerja.

Masalah Umum dan Solusinya

Masalah	Solusi
Kesalahan format tidak didukung	Verifikasi bahwa PDF berisi teks yang dapat diekstrak (bukan hanya gambar). Gunakan pra‑pemrosesan OCR jika diperlukan.
Nilai bidang tidak tepat	Periksa kembali koordinat persegi panjang; gunakan penampil PDF untuk mengukur posisi yang tepat.
Lonjakan memori pada file besar	Parse halaman secara individual atau tingkatkan ukuran heap JVM (`-Xmx`).

Pertanyaan yang Sering Diajukan

Q: Apa itu GroupDocs.Parser?
A: Sebuah perpustakaan Java yang mengekstrak data terstruktur dari PDF, DOCX, XLSX, dan format dokumen lainnya.

Q: Bagaimana cara menangani format dokumen yang tidak didukung?
A: Gunakan penanganan pengecualian (seperti yang ditunjukkan) untuk menangkap UnsupportedDocumentFormatException dan memberi tahu pengguna dengan cara yang ramah.

Q: Bisakah saya memparsing gambar dalam PDF menggunakan GroupDocs.Parser?
A: Ya, tetapi Anda perlu memastikan fitur ekstraksi gambar perpustakaan diaktifkan untuk tipe dokumen Anda.

Q: Apa saja langkah pemecahan masalah umum jika
A: (Tutorial asli memotong poin ini; Anda dapat melanjutkan pemecahan masalah dengan memeriksa izin file, memastikan koordinat templat cocok dengan tata letak PDF, dan memastikan versi perpustakaan terbaru digunakan.)

Kesimpulan

Selamat! Anda kini mengetahui cara memparsing PDF dengan GroupDocs.Parser Java, mulai dari mendefinisikan bidang templat yang tepat hingga mengekstrak data secara andal. Dengan membuat templat dokumen yang dapat digunakan kembali, Anda dapat mengotomatiskan tugas penangkapan data berulang dan fokus pada pekerjaan bernilai lebih tinggi.

Langkah Selanjutnya

Coba memparsing tipe dokumen berbeda (DOCX, XLSX).
Bereksperimen dengan integrasi OCR untuk PDF yang dipindai.
Jelajahi fitur lanjutan seperti ekstraksi tabel dan pemroses data kustom.

Untuk detail lebih lanjut, kunjungi GroupDocs Documentation resmi dan bergabung dengan komunitas di Support Forum.

Terakhir Diperbarui: 2026-01-09
Diuji Dengan: GroupDocs.Parser 25.5
Penulis: GroupDocs