Jak analizować PDF za pomocą GroupDocs.Parser w Javie

W dzisiejszym świecie napędzanym danymi, jak analizować PDF pliki efektywnie może mieć ogromny wpływ na wydajność. Niezależnie od tego, czy automatyzujesz przetwarzanie faktur, digitalizujesz starsze dokumenty, czy wyciągasz tabele z raportów PDF, niezawodny parser oszczędza czas i zmniejsza liczbę błędów ręcznych. Ten samouczek przeprowadzi Cię przez użycie GroupDocs.Parser dla Javy do odczytywania tekstu PDF, definiowania wielokrotnego użytku szablonu PDF i wyodrębniania danych strukturalnych z pewnością.

Szybkie odpowiedzi

  • Jaki jest podstawowy cel GroupDocs.Parser? Wyodrębnia dane strukturalne z PDF, DOCX, XLSX i ponad 50 innych formatów dokumentów.
  • Czy mogę wyodrębnić dane z PDF bez szablonu? Tak, ale szablon znacząco zwiększa dokładność dla PDF o stałym układzie.
  • Czy potrzebna jest licencja, aby go wypróbować? Dostępna jest darmowa wersja próbna lub tymczasowa licencja do oceny.
  • Jaka wersja Javy jest wymagana? Java 8 lub wyższa; biblioteka działa z JDK 11, 17 i nowszymi.
  • Czy Maven jest jedynym sposobem dodania biblioteki? Nie, możesz także pobrać plik JAR bezpośrednio z oficjalnego repozytorium.

Czym jest „jak analizować PDF” z GroupDocs.Parser?

GroupDocs.Parser to biblioteka Java, która odczytuje wewnętrzną strukturę plików PDF i wyodrębnia potrzebne informacje — tekst, tabele lub konkretne pola — aby Twoja aplikacja mogła je przetwarzać programowo. Obsługuje pdf parsing java dla ponad 50 formatów wejściowych i wyjściowych, obsługując pliki liczące setki stron bez ładowania całego dokumentu do pamięci.

Dlaczego używać GroupDocs.Parser do analizy PDF?

GroupDocs.Parser zapewnia wysoce precyzyjne wyodrębnianie (do 99,5 % dopasowania pól w szablonach o stałych pozycjach) oraz szerokie wsparcie formatów (ponad 50 formatów, w tym PDF, DOCX, XLSX, PPTX, HTML i popularne typy obrazów). Biblioteka oferuje także wbudowaną obsługę błędów dla nieobsługiwanych formatów, co czyni ją solidnym wyborem dla projektów klasy enterprise parse pdf java.

Wymagania wstępne

  • GroupDocs.Parser wersja 25.5 lub nowsza.
  • Java Development Kit (JDK) 8 lub nowszy zainstalowany.
  • IDE, takie jak IntelliJ IDEA lub Eclipse.
  • Maven do zarządzania zależnościami (opcjonalnie, ale zalecane).

Wymagane biblioteki

  • GroupDocs.Parser wersja 25.5 lub nowsza.
  • Java Development Kit (JDK) 8 lub nowszy.

Wymagania dotyczące konfiguracji środowiska

  • IDE, takie jak IntelliJ IDEA lub Eclipse.
  • Maven do zarządzania zależnościami (opcjonalnie, ale zalecane).

Wymagania wiedzy

  • Podstawowa znajomość koncepcji programowania w Javie.
  • Znajomość struktury dokumentów PDF oraz pól szablonu.

Konfiguracja GroupDocs.Parser dla Javy

Aby rozpocząć używanie GroupDocs.Parser w projekcie Java, musisz dodać bibliotekę do konfiguracji kompilacji.

Konfiguracja Maven

Dodaj następującą konfigurację do pliku pom.xml, aby uwzględnić GroupDocs.Parser jako zależność:

<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>

Bezpośrednie pobranie

Alternatywnie możesz pobrać najnowszą wersję z GroupDocs.Parser for Java releases.

Uzyskanie licencji

  • Uzyskaj darmową wersję próbną lub tymczasową licencję, aby przetestować pełne możliwości GroupDocs.Parser.
  • Kup licencję komercyjną, jeśli uznasz, że spełnia Twoje potrzeby produkcyjne.

Po zainstalowaniu zainicjalizuj GroupDocs.Parser w projekcie, importując niezbędne klasy i konfigurując podstawowe ustawienia. Przejdźmy teraz do głównej implementacji.

Przewodnik implementacji

Przejdziemy przez trzy kluczowe kroki: definiowanie pól szablonu, tworzenie szablonu dokumentu oraz analiza PDF przy użyciu szablonu.

Definiowanie pól szablonu o stałej pozycji

Dokładne określenie lokalizacji danych na stronie jest niezbędne do wiarygodnego wyodrębniania. Poniżej znajduje się kod definiujący pole szablonu.

Krok 1: Import wymaganych klas

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

Krok 2: Utwórz pole szablonu

TemplateField reprezentuje pojedynczy punkt danych w szablonie PDF, określony przez nazwę i współrzędne prostokątne.

// 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

Fragment tworzy TemplateField o nazwie FromCompany umieszczony w (35, 135) o rozmiarze 100 × 10 punktów. Tak precyzyjne położenie pomaga parserowi wyodrębniać dane PDF z dokumentów, w których układ nigdy się nie zmienia.

Definition Anchor: TemplateField reprezentuje pojedynczy punkt danych w szablonie PDF, określony przez nazwę i współrzędne prostokątne.

Tworzenie szablonu dokumentu z zdefiniowanymi polami

Teraz połącz pola w wielokrotnego użytku szablon.

Krok 1: Import wymaganych klas

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

Krok 2: Utwórz i dodaj pola szablonu

DocumentTemplate jest kontenerem, który przechowuje jeden lub więcej obiektów TemplateField i steruje procesem wyodrębniania.

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

Wszystkie zdefiniowane pola są teraz częścią jednego szablonu dokumentu, gotowego do analizy.

Definition Anchor: DocumentTemplate jest kontenerem, który przechowuje jeden lub więcej obiektów TemplateField i steruje procesem wyodrębniania.

Analiza PDF przy użyciu szablonu

Gdy szablon jest gotowy, możesz wyodrębnić pożądane informacje z dowolnego pasującego PDF.

Krok 1: Import wymaganych klas

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

Krok 2: Analizuj dokument

Parser jest podstawową klasą, która odczytuje dokument, stosuje DocumentTemplate i zwraca wyodrębnione wartości pól.

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());
}

Kod otwiera PDF, weryfikuje, że wyodrębnianie tekstu jest obsługiwane, analizuje plik z szablonem, a następnie iteruje po każdym wyodrębnionym polu. Jeśli format dokumentu nie jest obsługiwany, zostaje wyrzucony czytelny wyjątek.

Definition Anchor: Parser jest podstawową klasą, która odczytuje dokument, stosuje DocumentTemplate i zwraca wyodrębnione wartości pól.

Praktyczne zastosowania

GroupDocs.Parser wyróżnia się w wielu rzeczywistych scenariuszach:

  1. Przetwarzanie faktur – Automatyczne pobieranie dat, kwot i nazw dostawców.
  2. Ekstrakcja danych z formularzy – Zbieranie wypełnionych pól ze skanowanych formularzy.
  3. Zarządzanie umowami – Identyfikacja kluczowych warunków, stron i dat w umowach.

Te przypadki użycia pokazują, dlaczego jak analizować PDF dokumenty programowo jest kluczową zdolnością współczesnych przedsiębiorstw.

Uwagi dotyczące wydajności

  • Niezwłocznie zwalniaj obiekty Parser, aby zwolnić pamięć.
  • Utrzymuj szablony tak proste, jak to możliwe; niepotrzebne pola zwiększają obciążenie.
  • Regularnie aktualizuj bibliotekę, aby korzystać z poprawek wydajności.
  • Dla plików większych niż 200 stron, analizuj strony kolejno lub zwiększ pamięć JVM (-Xmx2g), aby uniknąć skoków pamięci.

Typowe problemy i rozwiązania

ProblemRozwiązanie
Błąd nieobsługiwanego formatuSprawdź, czy PDF zawiera wyodrębny tekst (nie tylko obrazy). W razie potrzeby użyj wstępnego przetwarzania OCR.
Nieprawidłowe wartości pólSprawdź ponownie współrzędne prostokąta; użyj przeglądarki PDF do zmierzenia dokładnych pozycji.
Skoki pamięci przy dużych plikachAnalizuj strony indywidualnie lub zwiększ rozmiar stosu JVM (-Xmx).

Najczęściej zadawane pytania

Q: What is GroupDocs.Parser?
A: GroupDocs.Parser is a Java library that extracts structured data from PDF, DOCX, XLSX, and over 50 other document formats.

Q: How do I handle unsupported document formats?
A: Catch UnsupportedDocumentFormatException as shown in the code example; inform the user and optionally fall back to a different processing pipeline.

Q: Can I parse images within PDFs using GroupDocs.Parser?
A: Yes, enable the image extraction feature in the parser configuration to retrieve embedded images.

Q: How can I extract plain text from a PDF without a template?
A: Use the Parser class’s extractText() method; it returns the full textual content, which you can then process with regular expressions.

Q: What are the best practices for creating a reusable PDF template?
A: Keep field rectangles tight around the content, name fields meaningfully, and test the template against multiple PDFs to ensure consistency.

Zakończenie

Gratulacje! Teraz rozumiesz jak analizować PDF przy użyciu GroupDocs.Parser Java, od definiowania precyzyjnych pól szablonu po niezawodne wyodrębnianie danych. Tworząc wielokrotnego użytku szablon dokumentu, możesz automatyzować powtarzalne zadania zbierania danych, zwiększyć dokładność i uwolnić zespół do pracy nad zadaniami o wyższej wartości.

Kolejne kroki

  • Spróbuj analizować różne typy dokumentów, takie jak DOCX lub XLSX, używając tego samego podejścia szablonowego.
  • Eksperymentuj z integracją OCR dla zeskanowanych PDF zawierających wyłącznie obrazy.
  • Zbadaj zaawansowane funkcje, takie jak wyodrębnianie tabel, niestandardowe procesory danych i przetwarzanie wsadowe.

Aby uzyskać więcej szczegółów, odwiedź oficjalną GroupDocs Documentation i dołącz do społeczności na Support Forum.

Last Updated: 2026-05-18
Testowano z: GroupDocs.Parser 25.5
Autor: GroupDocs

Powiązane samouczki