ExtractPDF4J/ExtractPDF4J

Java PDF table extraction & OCR library. Extract structured tables from text-based and scanned PDFs using stream, lattice (OpenCV-style grid detection), and hybrid parsing.

何を解決するか

ExtractPDF4J は、PDF テーブルからのデータを手動で再入力する必要をなくし、特にスキャンされた請求書、銀行明細、財務報告書など、解析が難しいドキュメントを対象としています。テキストレイヤーが存在しない PDF でも、クリーンな行と列を抽出できる仕組みを提供します。

動作方法

このライブラリは、複数の戦略を組み合わせて表データを識別・抽出します：

  • StreamParser: PDFBox を使ってテキスト位置に基づいてテキストベースの PDF からデータを抽出します。
  • LatticeParser: ページを画像にレンダリングし、OpenCV を使って線やグリッドを検出することで、スキャンされたまたは罫線のある PDF を処理します。
  • OcrStreamParser: テキストレイヤーが存在しない画像中心のドキュメントから、Tesseract OCR を使ってテキストを抽出します。
  • HybridParser: これらの戦略を調整し、ドキュメントに最適な方法を自動的に選択します。

対象ユーザー

金融テック、銀行プラットフォーム、分析プラットフォーム、AI/ML データ準備ワークフローを構築する開発者向けに設計されています。本番環境で稼働するドキュメント処理パイプラインを構築する開発者に最適です。

特徴

  • ネイティブ OCR サポート: 外部のテキストレイヤーなしで、スキャン済みおよび画像ベースの PDF を処理できます。
  • Java ネイティブ: Java 17+ で構築され、Maven Central から利用可能です。
  • 柔軟な出力: 抽出されたテーブルを CSV または JSON 形式でエクスポートできます。
  • 宣言型設定: アノテーションベースの設定により、パーサーの設定を定義できます。
  • デプロイ準備完了: Spring Boot マイクロサービスラッパーと Docker 対応を備えており、API のデプロイを簡単に実現できます。

関連

  • プロジェクト
    nguyenq/tess4j

    Tess4Jは、Tesseract OCR API用のJava JNAラッパーであり、さまざまな画像形式およびPDFドキュメントからテキストを抽出できるようにします。

  • プロジェクト
    scribeocr/scribe.js

    画像や PDF から OCR およびテキスト抽出を行うための JavaScript ライブラリです。不可視テキストレイヤーを持つ検索可能な PDF を作成できます。

  • プロジェクト
    firecrawl/pdf-inspector

    pdf-inspectorは、Rustベースのライブラリ（Python、Node、WASMバインディングを提供）で、PDFを高速に分類し、位置情報を保持したテキストを抽出し、クリーンなMarkdownに変換します。OCRが必要なページのみをローカルモデルにルーティングできるため、時間とコストを節約できます。ベンチマークでは、200個のPDFテストセットにおいて、類似ツールよりも高速かつ高精度であることが示されています。

  • プロジェクト
    opendataloader-project/opendataloader-pdf

    OpenDataLoader PDFは、PDF（スキャンしたものを含む）をMarkdown、要素のバウンディングボックス付きJSON、HTML、自動タグ付けPDFに変換するオープンソースのPDFパーサーです。高速で決定論的なJavaベースのローカルエンジンと、複雑な表、OCR、数式抽出、画像説明のためのオプションのハイブリッドAIモードを提供し、最高のベンチマークスコアを達成しています。無料のコア（Apache-2.0）はレイアウト分析と自動タグ付けを処理し、エンタープライズアドオンは完全なPDF/UA準拠とビジュアルアクセシビリティスタジオを提供します。

  • プロジェクト
    harshankur/officeParser

    officeParserは、TypeScriptベースのNode.jsおよびブラウザ用ライブラリで、多くのオフィスファイル形式（DOCX、PPTX、PDF、LaTeXなど）を厳密な抽象構文木（AST）に解析し、DOCX、HTML、PDF、Markdown、LaTeX、EPUB、RAG対応チャンクなどの形式に再生成できます。CLI、OCRサポート、パスワード処理、テンプレートベースの差し込み印刷、ネイティブPDFエンジン、インタラクティブなWebビジュアライザーが含まれています。