一个轻量级、低侵入性的PDF解析工具,支持文本提取、表格识别、OCR等功能。
pdfparser-parent/ ├── pdfparser-core # 核心解析模块 ├── pdfparser-extension # 扩展功能模块 └── pdfparser-test # 测试demo模块
- 实现PDF解析的核心功能
- 采用构建者模式和工厂模式
- 提供注解支持,实现声明式PDF解析配置
- 支持字段映射、解析规则配置等功能
- 负责格式转换功能
- 支持JSON、XML等多种输出格式
- 可扩展的转换器接口设计
- 主要注解:
@PdfField@@PdfProcessor - 主要组件:
PdfReader: PDF读取接口ParseOptions: 解析配置类ParseContext: 解析上下文ParseEventListener: 事件监听接口PdfProcessor: 指定处理器Converter:格式转化器接口
- 提供额外功能扩展
- OCR支持
- 高级表格识别等特性
- 基本文本提取
- 注解支持
- 事件监听机制
- 可拓展的文本处理器
- 可扩展的转换器
- 表格识别与提取
- 元数据提取
- 支持加密PDF
- OCR支持
- 批量处理支持
- 异步处理支持
<dependency> <groupId>com.example.pdfparser</groupId> <artifactId>pdfparser-core</artifactId> <version>1.0.0-SNAPSHOT</version> </dependency>
// 定义数据模型类 @Data @PdfProcessor(processor = InvoiceProcessor.class) public class Invoice { /** * 发票号码 */ @PdfField(pattern = "发票号码:(\\d+)", group = 1) private String invoiceNumber; /** * 开票信息 */ @PdfField(pattern = "开票日期:([\\d]{4}年[\\d]{2}月[\\d]{2}日)", group = 1) private String invoiceDate; /** * 购买方名称 */ @PdfField(pattern = "购\\s*名称[::]\\s*(.*?)\\s+销", group = 1) private String buyerName; /** * 购买方统一社会信用代码/纳税人识别号 */ @PdfField(prefix = "统一社会信用代码/纳税人识别号:", suffix = "信") private String buyerTaxNumber; }
//特殊文本处理 public class InvoiceProcessor implements DocumentProcessor<Invoice> { @Override public Invoice process(String text, Class<Invoice> targetClass) { Invoice invoice = createInstance(targetClass); // 解析基本字段 processBasicFields(invoice, text); // 解析商品明细 processDetails(invoice, text); return invoice; } }
// 创建解析配置 ParseOptions options = ParseOptions.builder() .maintainLayout(true) // 保持原始布局 .build(); // 创建解析事件监听器 ParseEventListener listener = new ParseEventListener() { @Override public void onBeforeParse(ParseContext context) { System.out.println("开始解析PDF"); } @Override public void onAfterParse(ParseContext context) { System.out.println("PDF解析完成"); } @Override public void onError(Exception e, ParseContext context) { System.err.println("解析出错: " + e.getMessage()); } }; // 创建PDF读取器 PdfReader reader = PdfReaderBuilder.builder() .withListener(listener) .withOptions(options) .build(); // 读取PDF文件,(该文件为示例,需使用真正的发票pdf) File pdfFile = new File("pdfparser-test/src/main/resources/example1.pdf"); List<Invoice> invoices = reader.read(pdfFile, Invoice.class, options); // 创建PdfData对象 PdfData pdfData = new PdfData(); pdfData.setData(invoices.get(0)); pdfData.setMetadata(reader.getContext().getContext()); pdfData.setText((String) reader.getContext().getAttribute("rawText")); // 转换为JSON JsonConverter converter = new JsonConverter(); String json = converter.convert(pdfData); // 输出结果 System.out.println("解析结果:"); System.out.println(json);