.# 使用 Java 解析提取发票数据 – GroupDocs.Parser

在当今快速发展的商业环境中，快速且准确地提取发票数据是实现财务工作流自动化的关键步骤。无论是处理单张发票还是批量处理成千上万张，GroupDocs.Parser for Java 都允许您定义灵活的模板、使用正则表达式，并创建关联字段以适应任何文档布局。在本教程中，我们将演示如何设置库、构建能够提取发票数据的模板，以及大规模解析文档。

快速答案

“提取发票数据”是什么意思？ 它指的是以编程方式从 PDF、DOCX 或图像文件中提取发票号码、日期、税额和总额等字段。
我应该使用哪个库？ GroupDocs.Parser for Java 提供强大的基于模板的提取功能，并支持正则表达式。
我可以一次处理大量文件吗？ 可以——将解析器与批量文档处理技术结合使用。
我需要许可证吗？ 免费试用或临时许可证可用于评估；生产环境需要购买许可证。
它适用于 Java 8 及以上吗？ 当然——该库支持 JDK 8 及更高版本。

什么是“提取发票数据”？

提取发票数据是指自动定位并检索关键信息——如发票号码、日期、税额和总额——直接从数字文档中获取，从而消除手动数据录入。

为什么使用 GroupDocs.Parser for Java？

高精度，使用正则表达式和关联字段定位。
支持多种格式（PDF、DOCX、图像）。
可扩展——适用于单文档和批量文档处理场景。
易于集成到现有的 Java 应用程序。

前置条件

JDK 8 或更高版本。
一个 IDE（IntelliJ IDEA、Eclipse 等）。
获取 GroupDocs.Parser for Java 库（下载或通过 Maven）。

必需的库、版本和依赖

将仓库和依赖添加到您的 pom.xml 中：

<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>

您也可以从 GroupDocs.Parser for Java releases 下载最新的 JAR。

知识前置条件

基础的 Java 编程以及对文件 I/O 的了解会使步骤更顺畅。

设置 GroupDocs.Parser for Java

添加 Maven 依赖（或 JAR）到您的项目中。
获取许可证——您可以从此处开始使用免费试用或临时许可证。
初始化解析器——下面的代码片段展示了所需的导入和一个简单的初始化。

import com.groupdocs.parser.Parser;
import com.groupdocs.parser.data.*;
import com.groupdocs.parser.templates.*;

如何在模板中创建关联字段

关联字段允许您捕获相对于另一个已知字段固定偏移位置出现的数据（例如，紧随 “Tax” 一词后的税额）。

定义正则表达式字段

首先，我们使用正则表达式模式定位标签 Tax。

// Create a template field with a regex position
TemplateField regexField = new TemplateField(
        new TemplateRegexPosition("Tax"), 
        "Tax");

配置关联字段

接下来，我们定义实际税额字段，其位置相对于 Tax 标签。

// Create a linked field based on the position of 'Tax'
TemplateField linkedField = new TemplateField(
        new TemplateLinkedPosition(
                "Tax",
                new Size(100, 20),
                new TemplateLinkedPositionEdges(false, false, true, false)),
        "TaxValue");

组装模板

将正则字段和关联字段组合成一个模板对象。

// Combine both fields into a comprehensive template
Template templateWithRegexAndLink = new Template(Arrays.asList(
        new TemplateItem[]{regexField, linkedField}));

如何使用已定义的模板提取发票数据

现在模板已准备好，我们可以解析发票并获取所需的值。

解析文档

打开 PDF（或任何受支持的格式）并应用模板。

try (Parser parser = new Parser("YOUR_DOCUMENT_DIRECTORY/InvoiceSample.pdf")) {
    // Extract data according to the defined template
    DocumentData data = parser.parseByTemplate(templateWithRegexAndLink);

遍历提取的数据

遍历结果并打印每个字段的名称和值。

    // Loop through all extracted data items
    for (int i = 0; i < data.getCount(); i++) {
        Object pageArea = data.get(i).getPageArea();
        if (pageArea instanceof PageTextArea) {
            PageTextArea area = (PageTextArea) pageArea;
            System.out.println(data.get(i).getName() + ": " + area.getText());
        } else {
            System.out.println(data.get(i).getName() + ": Not a template field");
        }
    }
}

故障排除提示

验证文件路径并确保文档可访问。
在嵌入之前，使用如 regex101.com 的工具测试正则表达式。
如果关联字段未正确捕获，请调整 TemplateLinkedPosition 中的 Size 和 edge 设置。

实际应用

真实场景用例

发票处理——自动提取发票号码、日期、税额和总额，以供会计系统使用。
合同管理——提取当事方、生效日期和关键条款。
客户数据提取——从填写的表单中提取订单详情。

集成可能性

将提取的数据与 ERP 或 CRM 平台结合，创建端到端的自动化工作流。

批量文档处理技巧

在处理 批量文档处理 时，请考虑：

为多个文件复用单个 Parser 实例，以减少开销。
在并行流或执行器服务中运行解析任务。
将提取结果存储在数据库或 CSV 中，以供下游报告使用。

性能考虑

简化模板——字段更少、正则模式更简单，可加快解析速度。
管理内存——及时关闭 Parser 对象（如使用 try‑with‑resources 所示）。
批量处理——对文档进行分组，以平衡 CPU 和 I/O 使用。

常见问题

问：什么是 GroupDocs.Parser for Java？
答：它是一个 Java 库，使用可自定义的模板从 PDF、Word 文档、图像等中提取结构化数据。

问：如何使用 GroupDocs.Parser 设置 Maven 项目？
答：将上面 Maven 区块中显示的仓库和 <dependency> 添加到您的 pom.xml。

问：我可以在不购买许可证的情况下使用 GroupDocs.Parser 吗？
答：可以，您可以使用免费试用或获取临时许可证进行评估。

问：模板中的关联字段是什么？
答：关联字段是其位置相对于另一个字段定义的模板元素，可基于布局实现精确提取。

问：如何将解决方案扩展到成千上万张发票？
答：实现批量文档处理，复用解析器实例，并考虑多线程以高效处理大批量。

结论

通过本指南，您现在了解如何使用 Java 解析提取发票数据，利用正则表达式，并创建关联字段以适应任何发票布局。尝试不同的模板，将输出集成到您的财务系统，并探索诸如自定义数据转换器和 OCR 支持等高级功能。

最后更新： 2026-02-11
测试版本： GroupDocs.Parser 25.5
作者： GroupDocs