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.

해결하는 문제

ExtractPDF4J는 텍스트 레이어가 없는 PDF에서 조작이 어려운 문서, 예를 들어 스캔된 청구서, 은행 명세서, 재무 보고서 등의 테이블 데이터를 수동으로 다시 입력할 필요 없이 자동으로 추출할 수 있도록 합니다.

작동 방식

이 라이브러리는 다중 전략을 사용하여 표 형식 데이터를 식별하고 추출합니다:

  • StreamParser: PDFBox를 사용하여 텍스트 위치 기반으로 텍스트 기반 PDF에서 데이터를 추출합니다.
  • LatticeParser: 페이지를 이미지로 렌더링하고 OpenCV를 사용해 선과 격자를 감지하여 스캔된 또는 격자선이 있는 PDF를 처리합니다.
  • OcrStreamParser: 텍스트 레이어가 없는 이미지 중심 문서에서 Tesseract OCR을 사용해 텍스트를 추출합니다.
  • HybridParser: 이러한 전략을 조율하여 문서에 가장 적합한 방법을 자동으로 선택합니다.

대상 사용자

핀테크, 은행 플랫폼, 분석 플랫폼, AI/ML 데이터 준비 워크플로우를 구축하는 개발자들을 위한 프로덕션 수준의 문서 처리 파이프라인을 개발하는 개발자에게 적합합니다.

주요 기능

  • 네이티브 OCR 지원: 외부 텍스트 레이어 없이 스캔된 및 이미지 기반 PDF를 처리할 수 있습니다.
  • 자바 네이티브: Java 17 이상에서 구동되며 Maven Central에서 제공됩니다.
  • 유연한 출력 형식: 추출된 테이블을 CSV 또는 JSON 형식으로 내보낼 수 있습니다.
  • 선언형 구성: 어노테이션 기반 설정을 통해 파서 설정을 정의할 수 있습니다.
  • 배포 준비 완료: Spring Boot 마이크로서비스 래퍼와 Docker 지원을 포함하여 API 배포가 간편합니다.

관련

  • 프로젝트
    nguyenq/tess4j

    Tess4J는 Tesseract OCR API용 Java JNA 래퍼로, 다양한 이미지 형식과 PDF 문서에서 텍스트를 추출할 수 있도록 합니다.

  • 프로젝트
    scribeocr/scribe.js

    이미지 및 PDF에서 OCR 및 텍스트 추출을 수행하는 JavaScript 라이브러리로, 보이지 않는 텍스트 레이어를 가진 검색 가능한 PDF를 생성할 수 있습니다.

  • 프로젝트
    firecrawl/pdf-inspector

    pdf-inspector는 Rust 기반 라이브러리(Python, Node, WASM 바인딩 제공)로, PDF를 빠르게 분류하고 위치 정보를 포함한 텍스트를 추출하여 깔끔한 Markdown으로 변환합니다. OCR이 필요한 페이지만 로컬 모델로 라우팅하여 시간과 비용을 절약할 수 있습니다. 벤치마크 결과, 200개의 PDF 테스트 세트에서 유사 도구보다 더 빠르고 정확한 성능을 보여줍니다.

  • 프로젝트
    opendataloader-project/opendataloader-pdf

    OpenDataLoader PDF는 PDF(스캔한 것 포함)를 Markdown, 요소 바운딩 박스가 있는 JSON, HTML, 자동 태그된 PDF로 변환하는 오픈소스 PDF 파서입니다. 빠르고 결정론적인 Java 기반 로컬 엔진과 복잡한 표, OCR, 수식 추출, 이미지 설명을 위한 선택적 하이브리드 AI 모드를 제공하여 최고의 벤치마크 점수를 달성합니다. 무료 코어(Apache-2.0)는 레이아웃 분석 및 자동 태깅을 처리하고, 엔터프라이즈 애드온은 완전한 PDF/UA 준수 및 시각적 접근성 스튜디오를 제공합니다.

  • 프로젝트
    harshankur/officeParser

    officeParser는 TypeScript 기반의 Node.js 및 브라우저 라이브러리로, 다양한 오피스 파일 형식(DOCX, PPTX, PDF, LaTeX 등)을 엄격한 추상 구문 트리(AST)로 파싱하고, 이를 다시 DOCX, HTML, PDF, Markdown, LaTeX, EPUB 및 RAG용 데이터 청크로 생성할 수 있습니다. CLI, OCR 지원, 암호 처리, 템플릿 기반 메일 머지, 네이티브 PDF 엔진 및 대화형 웹 시각화 도구를 포함합니다.