如何使用 GroupDocs.Parser 进行 Java PDF 表格提取

从 PDF 文件中提取表格是将静态文档转换为结构化数据的常见需求。在本教程中，您将学习使用 GroupDocs.Parser Java 库 如何提取表格。我们将覆盖环境设置、表格布局配置，以及如何 导出 pdf 表格 csv 以进行下游处理。完成后，您将能够将强大的表格提取集成到任何基于 Java 的数据管道中。

快速答案

  • 主要库是什么？ GroupDocs.Parser for Java
  • 我可以从扫描的 PDF 中提取表格吗？ 仅在 OCR 之后；请参阅下面的 “extract tables scanned pdf” 注释
  • 我需要许可证吗？ 试用许可证可用于开发；生产环境需要正式许可证
  • 需要哪个 Java 版本？ Java 8 或更高
  • 是否支持批处理？ 是的 – API 已针对大规模提取进行优化

什么是 Java PDF 表格提取？

Java PDF 表格提取是指以编程方式定位 PDF 中的表格结构，解释单元格边界，并以机器可读的格式（如 CSV 或 Excel）检索文本的过程。这使得下游分析、报告或迁移任务无需手动复制粘贴即可完成。

为什么在 Java PDF 表格提取中使用 GroupDocs.Parser？

GroupDocs.Parser 提供 对超过 50 种输入和输出格式的精准布局检测，并且能够在内存使用低于 200 MB 的情况下处理数百页的 PDF。它支持批处理作业，提供简易的 Maven 依赖，并可与 GroupDocs OCR 无缝集成，以处理扫描文档场景。

前提条件

在开始之前，请确保您具备以下条件：

  • Java 8+ 已在您的 IDE 或构建工具中安装并配置。
  • Maven 用于依赖管理。
  • 获取 GroupDocs.Parser 许可证（试用或正式）。

必需的库和依赖项

您需要：

  • GroupDocs.Parser for Java 库（版本 25.5 或更高）。
  • 系统上已安装 Maven 用于依赖管理。

环境设置

确保您的开发环境已使用兼容的 Java 版本（Java 8 或更高）进行设置。

知识前提

具备 Java 编程的基础理解以及对 Java 中文件处理的熟悉度将有所帮助。

为 Java 设置 GroupDocs.Parser

要开始使用 GroupDocs.Parser，请按如下方式将其集成到项目中：

Maven 设置
将以下配置添加到您的 pom.xml 文件中，以将 GroupDocs.Parser 作为依赖项包含进来：

<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>

直接下载
或者，从 GroupDocs releases 下载最新版本的 GroupDocs.Parser for Java。

许可证获取

先使用免费试用，获取临时许可证，或购买正式许可证。详情请访问 GroupDocs licensing page。

基本初始化和设置

在您的 Java 应用程序中按如下方式初始化 GroupDocs.Parser：

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());
        }
    }
}

实现指南

让我们逐步了解您需要掌握的每个功能，以 从 PDF 中提取表格。

功能 1：使用 GroupDocs 进行文档解析

概述
要与 PDF 文档交互，创建 Parser 类的实例。
Parser 是在 GroupDocs.Parser 中读取 PDF 内容的入口类。它使对文档的各种操作成为可能。

创建解析器实例
Parser 类是读取 GroupDocs.Parser 中 PDF 内容的入口点。它将文档加载到内存中，并公开用于提取文本、表格和其他结构的方法。

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());
        }
    }
}

功能 2：表格提取能力检查

概述
在提取表格之前，验证 PDF 是否支持表格提取。

检查表格支持
hasTables() 方法返回一个布尔值，指示已加载的 PDF 是否包含可检测的表格数据。
hasTables() 检查文档是否包含任何表格。

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());
        }
    }
}

功能 3：表格布局配置

概述
配置表格的布局可以提升数据提取的准确性。

设置表格布局
TemplateTableLayout 定义预期的列宽和行高。
TemplateTableLayout 为表格检测指定自定义的列宽和行高。调整这些值有助于引擎将单元格边界与可视网格对齐。

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));
    }
}

功能 4：表格提取选项设置

概述
设置带有特定配置的表格提取选项，以提升提取准确性。

配置提取选项
TableExtractionOptions 允许您指定是否包含标题行、合并单元格或忽略空行。
TableExtractionOptions 配置提取行为，例如包含标题或合并单元格。

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);
    }
}

功能 5：从文档中提取表格

概述
使用已配置的选项提取表格，并根据需要进行处理。

提取过程
getTables() 方法返回一个 Table 对象集合，每个对象代表在请求页面上检测到的表格。
getTables() 检索文档中所有检测到的表格。
Table 表示一个包含行和单元格的单个提取表格。

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());
        }
    }
}

功能 6：遍历表格行和列

概述
提取后，遍历行和列以访问各个单元格。

遍历并访问单元格
每个 Table 提供 getRows()，每个 Row 提供 getCells()。您可以通过 getText() 读取单元格文本并将其写入 CSV 或其他格式。
Row 表示 Table 中的单行。
getRows() 返回表格中的行列表。
getCells() 返回行中的单元格。
getText() 检索单元格的文本内容。

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
                }
            }
        }
    }
}

常见问题及解决方案

问题原因技巧
未返回表格PDF 为扫描的（基于图像）先运行 OCR，或在解析前使用 GroupDocs OCR。
列对齐不正确布局坐标不准确微调 TemplateTableLayout 值以匹配可视网格。
大 PDF 时内存激增Parser 将整个文档加载到内存中分批处理页面，并在每批后关闭 Parser。

常见问题

1. 我可以从扫描的 PDF 中提取表格还是只能从数字 PDF 中提取？

答案： GroupDocs.Parser 主要适用于包含嵌入文本的可选择数字 PDF。对于扫描的 PDF，您需要先运行 OCR——可以使用 GroupDocs OCR 或其他 OCR 引擎——以便在表格提取前使文本可搜索。

2. 如何处理具有复杂布局或合并单元格的表格？

答案： 使用精确的列和行坐标自定义 TemplateTableLayout，或在 TableExtractionOptions 中启用 mergeCells 标志。可能需要后处理以正确解释合并区域。

3. GroupDocs.Parser 适用于大文档或批处理吗？

答案： 是的。该库针对高吞吐场景构建，能够在保持低内存消耗的情况下处理数百页的 PDF。使用页面范围选项，并在每批后释放 Parser 实例以最大化性能。

4. 我可以将提取的表格数据导出为 CSV 或 Excel 等格式吗？

答案： GroupDocs.Parser 返回原始表格数据（行和单元格）。您可以使用 OpenCSV 将数据写入 CSV，或使用 Apache POI 写入 Excel。这满足 export pdf tables csv 用例，无需额外许可证。

5. 是否支持一次性从多个页面提取表格？

答案： 当然。使用页面范围调用 parser.getTables(pageOptions) 或遍历所有页面。API 会跨页面聚合表格，帮助您构建单一的合并数据集。

结论

使用 GroupDocs.Parser，Java PDF 表格提取变得简单。通过初始化 Parser、确认表格支持、配置布局和提取选项，并遍历生成的 Table 对象，您可以将静态 PDF 转换为结构化的 CSV 或 Excel 文件。该库以性能为中心的设计、对超过 50 种格式的支持以及无缝的 OCR 集成，使其成为发票自动化、数据迁移和大规模分析管道的理想选择。按照上述步骤，您即可在任何 Java 应用程序中嵌入可靠的表格提取功能。

最后更新： 2026-09-17
已测试： GroupDocs.Parser 25.5 (Java)
作者： GroupDocs

相关教程