使用 GroupDocs.Parser 解析 PDF(Java)
在本综合教程中,您将学习如何通过强大的 GroupDocs.Parser 库 使用 Java 解析 PDF。无论您需要提取发票号码、抽取表格,还是获取 PDF 文件中的其他数据,本指南将一步步带您完成整个过程——从环境搭建到构建符合您文档布局的自定义解析模板。
快速答案
- 应该使用哪个库? GroupDocs.Parser for Java
- 我可以从 PDF 中提取表格吗? Yes – use java pdf table extraction features
- 我需要许可证吗? A free trial is available; a permanent license is required for production
- 支持哪个 Java 版本? Java SE 8 or higher
- Maven 是推荐的设置吗? Yes, Maven simplifies dependency management
介绍
自动化从 PDF 中提取数据是开发发票、报告或数据聚合系统的开发者常见的挑战。通过使用 GroupDocs.Parser,您可以 使用 Java 解析 PDF,快速且可靠,并可自定义提取过程以匹配文档的独特结构。
什么是使用 Java 解析 PDF?
使用 Java 解析 PDF 是指以编程方式读取 PDF 文件的内容,并提取您所需的信息——文本、表格、图像或表单字段——无需手动复制粘贴。GroupDocs.Parser 提供了高级 API,抽象了底层 PDF 细节,让您专注于业务逻辑。
为什么在自定义模板中使用 GroupDocs.Parser?
- 精确性: 定义精确的坐标或正则表达式模式以捕获正确的数据。
- 灵活性: 在单个模板中混合固定位置字段、基于正则的字段和表格抽取。
- 性能: 为大文档和批处理优化。
- Java 友好: 与 Maven 和标准 Java 项目无缝集成。
前置条件
在开始之前,请确保您具备以下条件:
必需的库和版本
- GroupDocs.Parser for Java: Version 25.5 or later.
- 已安装 Maven 以进行依赖管理。
环境搭建要求
- Java SE 8+(推荐使用 Java 11 或更高版本)。
- 用于 Java 开发的 IDE 或文本编辑器(IntelliJ IDEA、Eclipse、VS Code 等)。
知识前提
- 基础 Java 编程。
- 熟悉 PDF 结构及常见的解析挑战。
为 Java 设置 GroupDocs.Parser
您可以通过 Maven 或直接下载 JAR 将 GroupDocs.Parser 添加到项目中。
使用 Maven
在您的 pom.xml 中添加仓库和依赖:
<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,从官方发布页面下载最新的 JAR: GroupDocs.Parser for Java releases。
许可证获取步骤
- 免费试用: 开始试用以探索 API。
- 临时许可证: 使用临时密钥进行短期测试。
- 购买: 为生产工作负载获取永久许可证。
基本初始化和设置
以下是一个最小示例,演示如何使用 GroupDocs.Parser 打开 PDF 文件:
import com.groupdocs.parser.Parser;
public class PdfParserExample {
public static void main(String[] args) {
try (Parser parser = new Parser("path/to/your/document.pdf")) {
// Your parsing logic here
} catch (Exception e) {
e.printStackTrace();
}
}
}
如何使用自定义模板在 Java 中解析 PDF
库已准备好后,让我们创建一个自定义模板,指示解析器准确地在何处查找数据。
步骤 1:定义模板项
我们将为静态公司名称、基于正则的发票号码以及捕获明细行的表格创建字段。
import com.groupdocs.parser.templates.*;
private static Template getTemplate() {
// Fixed position for "FromCompany"
TemplateItem fromCompany = new TemplateField(
new TemplateFixedPosition(new Rectangle(new Point(35, 135), new Size(100, 10))),
"FromCompany");
// Regex‑based field for "Invoice Number"
TemplateItem invoiceNumber = new TemplateField(
new TemplateRegexPosition("Invoice Number"),
"InvoiceNumber");
// Linked position for extracting the value next to the label
TemplateItem invoiceNumberValue = new TemplateField(
new TemplateLinkedPosition(invoiceNumber,
new Size(200, 15),
new TemplateLinkedPositionEdges(false, false, true, false)),
"InvoiceNumberValue");
// Define table parameters for line items
TemplateTableParameters detailsTableParameters = new TemplateTableParameters(
new Rectangle(new Point(35, 320), new Size(530, 55)), null);
// Return the assembled template
return new Template(java.util.Arrays.asList(
fromCompany,
invoiceNumber,
invoiceNumberValue,
new TemplateTable(detailsTableParameters, "details", null)));
}
步骤 2:使用模板解析文档
模板准备好后,调用 parseByTemplate 提取数据。
import com.groupdocs.parser.Parser;
import com.groupdocs.parser.data.DocumentData;
import com.groupdocs.parser.data.PageTextArea;
public class PdfParserExample {
public static void main(String[] args) {
try (Parser parser = new Parser("path/to/your/document.pdf")) {
Template template = getTemplate();
DocumentData data = parser.parseByTemplate(template);
if (data != null) {
for (int i = 0; i < data.getCount(); i++) {
PageTextArea area = data.get(i).getPageArea() instanceof PageTextArea
? (PageTextArea) data.get(i).getPageArea()
: null;
System.out.println(data.get(i).getName() + ": " +
(area == null ? "Not a template field" : area.getText()));
}
} else {
System.out.println("Parse Document by Template isn't supported.");
}
} catch (Exception e) {
e.printStackTrace();
}
}
}
关键配置选项
- 固定位置: 使用精确坐标定位静态文本(例如公司名称)。
- 正则位置: 通过模式匹配定位发票号码等动态文本。
- 关联位置: 获取出现在已知标签旁边的值。
- TemplateTableParameters: 定义包含表格的区域,以启用 java pdf table extraction。
故障排除提示
- 确认坐标系统(点)与 PDF 布局匹配。
- 使用 PDF 查看器的测量工具微调位置。
- 确保正则表达式准确反映文档中的标签格式。
- 确认所有 Maven 依赖已解析,并使用正确的库版本。
Java PDF 表格抽取 – 实际案例
从 PDF 中抽取表格是金融和物流领域的常见需求:
- 发票处理: 将明细行、数量和价格提取到数据库中。
- 报告合并: 将多个 PDF 的表格数据合并为单个 CSV 以进行分析。
- 合规审计: 自动验证监管表单中是否出现必填字段。
性能考虑因素
处理大 PDF 或批量处理时,请牢记以下最佳实践:
- 内存管理: 及时关闭
Parser实例(使用 try‑with‑resources)以释放本机资源。 - 模板优化: 限制字段数量,并尽可能紧凑地定义表格区域。
- 版本更新: 定期升级到最新的 GroupDocs.Parser 版本,以获得性能提升。
常见问题
Q: 使用 GroupDocs.Parser for Java 的前置条件是什么?
A: 您需要 Java SE 8+、Maven(或手动 JAR 处理),以及 GroupDocs.Parser 25.5 或更高版本。
Q: 如何在 GroupDocs.Parser 中创建自定义模板?
A: 使用 TemplateFixedPosition、TemplateRegexPosition 和 TemplateTableParameters 定义字段,然后将模板传递给 parser.parseByTemplate。
Q: 我可以使用此方法从 PDF 中提取表格吗?
A: 当然。使用 TemplateTableParameters 指定表格区域——这可实现 java pdf table extraction。
Q: 能够解析受密码保护的 PDF 吗?
A: 可以。在构造 Parser 实例时提供密码:new Parser("file.pdf", "password")。
Q: 该库如何处理非常大的文档?
A: API 会流式传输数据,并在 Parser 关闭时释放本机资源,使您能够在不耗尽内存的情况下处理大文件。
结论
您现在已经掌握了使用 GroupDocs.Parser 的自定义模板功能 使用 Java 解析 PDF 的坚实基础。通过定义精确的位置、正则模式和表格区域,您可以自动化提取发票、报告以及任何结构化 PDF 内容的数据。继续尝试不同的模板配置,将提取的数据集成到下游系统,并与开发者社区分享您的解决方案。
最后更新: 2026-04-05
测试环境: GroupDocs.Parser 25.5 for Java
作者: GroupDocs