Как извлечь таблицы из PDF на Java с помощью GroupDocs.Parser

Извлечение таблиц из PDF‑файлов часто требуется, когда нужно превратить статические документы в структурированные данные. В этом руководстве мы покажем как извлекать таблицы из PDF с использованием библиотеки GroupDocs.Parser для Java. Вы увидите, почему этот подход идеален для java pdf table extraction, как настроить макеты для точных результатов и даже как export pdf tables csv позже.

Быстрые ответы

Какова основная библиотека? GroupDocs.Parser for Java
Можно ли извлекать таблицы из отсканированных PDF? Только после OCR; см. примечание «extract tables scanned pdf» ниже
Нужна ли лицензия? Пробная лицензия подходит для разработки; для продакшн требуется полная лицензия
Какая версия Java требуется? Java 8 или выше
Поддерживается ли пакетная обработка? Да — API оптимизирован для масштабного извлечения

Что означает «how to extract tables» в контексте PDF?

Когда мы говорим о how to extract tables, мы имеем в виду процесс программного обнаружения табличных структур внутри PDF, интерпретации границ ячеек и получения текстового содержимого в машинно‑читаемом формате (например, CSV, Excel). GroupDocs.Parser абстрагирует низкоуровневый разбор PDF и предоставляет чистую объектную модель для работы.

Почему стоит использовать GroupDocs.Parser для java pdf table extraction?

Точное определение макета – Обрабатывает многоколоночные, многострочные таблицы с пользовательскими координатами.
Ориентировано на производительность – Хорошо работает с большими документами и пакетными заданиями.
Лёгкая интеграция – Управление зависимостями на основе Maven и простой API.
Расширяемо – Вы можете комбинировать его с GroupDocs OCR для сценариев extract tables scanned pdf.

Предварительные требования

Прежде чем начать, убедитесь, что у вас есть следующее:

Java 8+ установлен и настроен в вашей IDE или системе сборки.
Maven для управления зависимостями.
Доступ к лицензии GroupDocs.Parser (пробная или полная).

Требуемые библиотеки и зависимости

Вам понадобится:

Библиотека GroupDocs.Parser для Java (версия 25.5 или новее).
Maven, установленный в вашей системе, для управления зависимостями.

Настройка окружения

Убедитесь, что ваша среда разработки настроена с совместимой версией Java (Java 8 или выше).

Требования к знаниям

Базовое понимание программирования на Java и знакомство с работой с файлами в Java будут полезны.

Настройка GroupDocs.Parser для Java

Чтобы начать использовать GroupDocs.Parser, интегрируйте его в ваш проект следующим образом:

Maven Setup
Добавьте следующую конфигурацию в ваш файл pom.xml, чтобы включить GroupDocs.Parser в качестве зависимости:

<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>

Direct Download
Либо загрузите последнюю версию GroupDocs.Parser для Java с выпусков GroupDocs.

Приобретение лицензии

Начните с бесплатной пробной версии, получите временную лицензию или приобретите полную лицензию. Посетите страницу лицензирования GroupDocs для подробностей.

Базовая инициализация и настройка

Инициализируйте GroupDocs.Parser в вашем Java‑приложении следующим образом:

import com.groupdocs.parser.Parser;

public class DocumentParser {
    public static void main(String[] args) {
        final String filePath = "YOUR_DOCUMENT_DIRECTORY/SampleInvoicePagesPdf.pdf";
        try (Parser parser = new Parser(filePath)) {
            // Ready to perform operations on the document
        } catch (Exception e) {
            System.err.println("Error creating Parser instance: " + e.getMessage());
        }
    }
}

Руководство по реализации

Пройдемся по каждому элементу, который вам нужно освоить, чтобы how to extract tables из PDF.

Функция 1: Разбор документа с помощью GroupDocs

Обзор
Чтобы работать с PDF‑документом, создайте экземпляр класса Parser. Это позволяет выполнять различные операции над документом.

Создание экземпляра Parser

import com.groupdocs.parser.Parser;

public class CreateParserInstance {
    public static void main(String[] args) {
        final String filePath = "YOUR_DOCUMENT_DIRECTORY/SampleInvoicePagesPdf.pdf";
        try (Parser parser = new Parser(filePath)) {
            // Document is ready for operations
        } catch (Exception e) {
            System.err.println("Error creating Parser instance: " + e.getMessage());
        }
    }
}

Функция 2: Проверка возможности извлечения таблиц

Обзор
Перед извлечением таблиц проверьте, поддерживает ли PDF извлечение таблиц.

Проверка поддержки таблиц

import com.groupdocs.parser.Parser;

public class CheckTableSupport {
    public static void main(String[] args) {
        final String filePath = "YOUR_DOCUMENT_DIRECTORY/SampleInvoicePagesPdf.pdf";
        try (Parser parser = new Parser(filePath)) {
            boolean isTablesSupported = parser.getFeatures().isTables();
            
            if (!isTablesSupported) {
                System.out.println("Document doesn't support tables extraction.");
            }
        } catch (Exception e) {
            System.err.println("Error checking table extraction capability: " + e.getMessage());
        }
    }
}

Функция 3: Конфигурация макета таблицы

Обзор
Настройка макета ваших таблиц может повысить точность извлечения данных.

Настройка макета таблицы

import com.groupdocs.parser.templates.TemplateTableLayout;
import java.util.Arrays;

public class ConfigureTableLayout {
    public static void main(String[] args) {
        final double[] columnWidths = {50.0, 95.0, 275.0, 415.0, 485.0, 545.0};
        final double[] rowHeights = {325.0, 340.0, 365.0, 395.0};

        TemplateTableLayout layout = new TemplateTableLayout(
                Arrays.asList(columnWidths), 
                Arrays.asList(rowHeights));
    }
}

Функция 4: Настройка параметров извлечения таблиц

Обзор
Настройте параметры для извлечения таблиц с определёнными конфигурациями, чтобы улучшить точность.

Конфигурация параметров извлечения

import com.groupdocs.parser.options.PageTableAreaOptions;
import com.groupdocs.parser.templates.TemplateTableLayout;

public class SetExtractionOptions {
    public static void main(String[] args) {
        TemplateTableLayout layout = new TemplateTableLayout(
                Arrays.asList(new Double[]{50.0, 95.0, 275.0, 415.0, 485.0, 545.0}), 
                Arrays.asList(new Double[]{325.0, 340.0, 365.0, 395.0}));

        PageTableAreaOptions options = new PageTableAreaOptions(layout);
    }
}

Функция 5: Извлечение таблиц из документа

Обзор
Извлекайте таблицы, используя настроенные параметры, и обрабатывайте их по необходимости.

Процесс извлечения

import com.groupdocs.parser.Parser;
import com.groupdocs.parser.options.PageTableAreaOptions;
import com.groupdocs.parser.data.PageTableArea;

public class ExtractTables {
    public static void main(String[] args) {
        final String filePath = "YOUR_DOCUMENT_DIRECTORY/SampleInvoicePagesPdf.pdf";
        PageTableAreaOptions options = new PageTableAreaOptions(/* layout from previous feature */);

        try (Parser parser = new Parser(filePath)) {
            Iterable<PageTableArea> tables = parser.getTables(options);
            
            for (PageTableArea table : tables) {
                // Process each table as needed
            }
        } catch (Exception e) {
            System.err.println("Error extracting tables: " + e.getMessage());
        }
    }
}

Функция 6: Итерация по строкам и столбцам таблицы

Обзор
После извлечения пройдитесь по строкам и столбцам, чтобы получить доступ к отдельным ячейкам.

Итерация и доступ к ячейкам

import com.groupdocs.parser.data.PageTableArea;
import com.groupdocs.parser.data.PageTableAreaCell;

public class IterateTables {
    public static void main(String[] args) {
        PageTableArea table = /* reference to a specific PageTableArea object */;

        for (int row = 0; row < table.getRowCount(); row++) {
            for (int column = 0; column < table.getColumnCount(); column++) {
                PageTableAreaCell cell = table.getCell(row, column);
                if (cell != null) {
                    // Process the cell text as needed
                }
            }
        }
    }
}

Распространённые проблемы и решения

Проблема	Почему происходит	Совет
Таблицы не возвращаются	PDF отсканирован (на основе изображения)	Сначала выполните OCR или используйте GroupDocs OCR перед разбором.
Неправильное выравнивание столбцов	Координаты макета неверны	Точно настройте значения `TemplateTableLayout`, чтобы они соответствовали визуальной сетке.
Пики памяти при больших PDF	Parser загружает весь документ в память	Обрабатывайте страницы пакетами и закрывайте `Parser` после каждой партии.

Часто задаваемые вопросы

1. Можно ли извлекать таблицы из отсканированных PDF или только из цифровых PDF?

Ответ: GroupDocs.Parser в основном работает с цифровыми, выделяемыми PDF, содержащими встроенный текст. Для отсканированных PDF необходимо интегрировать возможности OCR (оптического распознавания символов). GroupDocs предлагает отдельные OCR‑модули, либо вы можете использовать другие OCR‑инструменты для преобразования изображений в текст перед извлечением таблиц.

2. Как работать с таблицами сложных макетов или объединёнными ячейками?

Ответ: Для сложных макетов вы можете настроить TemplateTableLayout с конкретными координатами столбцов и строк или скорректировать параметры распознавания для повышения точности. Обработка объединённых ячеек может потребовать анализа диапазонов ячеек и реализации пост‑обработки для интерпретации объединённых областей.

3. Подходит ли GroupDocs.Parser для больших документов или пакетной обработки?

Ответ: Да, GroupDocs.Parser оптимизирован для пакетной обработки и может эффективно работать с большими документами. Правильное управление ресурсами и разбивка задач на части могут дополнительно повысить производительность.

4. Можно ли экспортировать извлечённые данные таблицы в форматы, такие как CSV или Excel?

Ответ: Хотя GroupDocs.Parser сам по себе ориентирован на извлечение, он предоставляет необработанные данные (строки и ячейки). Вы можете легко экспортировать эти данные вручную или с помощью Java‑библиотек, таких как Apache POI (для Excel) или OpenCSV (для CSV‑файлов). Именно здесь используется сценарий export pdf tables csv.

5. Поддерживается ли извлечение таблиц с нескольких страниц?

Ответ: Да, при использовании parser.getTables() с параметрами страниц можно извлекать таблицы с нескольких страниц. Вы можете указать диапазоны страниц или последовательно обрабатывать все страницы, чтобы собрать все табличные данные.

Заключение

Извлечение таблиц из PDF — важный шаг в автоматизации обработки данных документов, и GroupDocs.Parser для Java делает эту задачу проще, чем когда-либо. Создавая экземпляр парсера, проверяя поддержку таблиц, настраивая параметры макета и итерируя извлечённые данные, разработчики могут эффективно получать структурированные данные даже из сложных PDF‑документов. Этот набор инструментов достаточно гибок, чтобы поддерживать разнообразные сценарии — от автоматизации счетов до масштабного анализа данных — и бесшовно интегрируется в Java‑приложения. С небольшими настройками и кастомизацией вы превратите статические PDF в полезные данные с точностью и лёгкостью.

Последнее обновление: 2026-02-09
Тестировано с: GroupDocs.Parser 25.5 (Java)
Автор: GroupDocs