ExtractPDF4J/ExtractPDF4J

解決的問題

ExtractPDF4J 消除了從無文字層的 PDF 表格中手動重新輸入資料的需求，特別適用於掃描的發票、銀行對帳單和財務報告等文件。它提供了一種程式化方式，從文字型與圖像密集型 PDF 中提取乾淨的列與欄。

工作原理

該函式庫使用多策略方法來識別與提取表格資料：

• StreamParser：使用 Apache PDFBox 透過文字座標從文字型 PDF 中提取資料。
• LatticeParser：使用 OpenCV 檢測掃描或圖像型 PDF 中的線條與格線，以建構表格結構。
• OcrStreamParser：使用 Tesseract OCR 讀取不存在文字層的文件中的文字。
• HybridParser：協調這些策略，根據文件特性自動選擇或合併最佳方法。

適用對象

此工具專為建構生產級文件處理流程的開發者設計，特別適用於金融科技、銀行平台、分析平台、企業資料攝取工作流程，以及為 AI/ML 流程準備資料的場景。

主要特色

• 原生 Java 支援：基於 Java 17+ 建構，可透過 Maven Central 取得。
• OCR 集成：內建支援使用 Tesseract 與 OpenCV 的掃描 PDF。
• 靈活解析：提供多種模式（串流、網格、OCR 混合），以應對不同類型的 PDF。
• 部署選項：包含 CLI 用於快速提取，以及 Spring Boot 微服務用於透過 Docker 進行 REST 集成。
• 宣告式設定：支援基於註解的設定，用於定義解析器參數。