什麼是Java Tabula Extractor？

Java Tabula Extractor 是一個基於tabula-java開發的Java庫，專門用於從PDF文件中提取表格數據。無論你是需要處理財務報表、數據報表還是其他包含表格的PDF文檔，這個庫都能幫你自動化完成數據提取工作。

核心功能特性

多功能支持

從PDF文件中精準提取表格數據

支持多種輸出格式（CSV、TSV、JSON）

支持指定特定區域進行提取

提供多種提取算法（流式、網格等）

靈活的部署選項

提供兩種JAR包滿足不同需求：

根據Tabula源碼進行修改編譯，重新打包更適合java項目中使用的jar包，可根據綁定資源自行下載（文件存放在：解壓後的tabula-master\java-tabula-extractor\target目錄下）：

標準版JAR (java-tabula-extractor-1.0.0.jar) - 文件較小，需手動添加依賴

完整版JAR (java-tabula-extractor-1.0.0-shaded.jar) - 包含所有依賴，開箱即用

快速開始

環境準備

根據你的項目需求選擇合適的JAR包：

方案一：使用完整版JAR（推薦新手）

直接將 java-tabula-extractor-1.0.0-shaded.jar 添加到項目依賴中，無需其他配置。

方案二：使用標準版JAR

如果你使用標準版JAR，需要額外添加以下依賴：

<!-- Maven 依賴 -->
<dependency>
    <groupId>technology.tabula</groupId>
    <artifactId>tabula</artifactId>
    <version>1.0.4</version>
</dependency>
<dependency>
    <groupId>org.apache.pdfbox</groupId>
    <artifactId>pdfbox</artifactId>
    <version>2.0.26</version>
</dependency>
<dependency>
    <groupId>com.google.code.gson</groupId>
    <artifactId>gson</artifactId>
    <version>2.8.9</version>
</dependency>

基礎使用示例

讓我們通過一個簡單的例子來看看如何使用這個庫：

import technology.tabula.PdfTableExtractor;
import technology.tabula.TabulaAPI;
 
import java.io.IOException;
import java.util.Arrays;
import java.util.List;
 
public class PdfTableExtractionExample {
    public static void main(String[] args) {
        try {
            // 1. 定義要提取的表格區域 (頁碼, x1, y1, x2, y2)
            PdfTableExtractor.TableRegion region = 
                new PdfTableExtractor.TableRegion(1, 50, 50, 500, 300);
            List<PdfTableExtractor.TableRegion> regions = Arrays.asList(region);
            
            // 2. 提取表格並輸出為CSV
            String csvResult = TabulaAPI.extractTablesAsCSV("財務報表.pdf", regions);
            
            // 3. 保存結果到文件
            boolean success = saveCsvToFile(csvResult, "提取結果.csv", false);
            
            if (success) {
                System.out.println("表格提取成功！");
                System.out.println("提取內容：");
                System.out.println(csvResult);
            }
            
        } catch (IOException e) {
            System.err.println("提取失敗: " + e.getMessage());
            e.printStackTrace();
        }
    }
    
    // 保存CSV文件的輔助方法
    public static boolean saveCsvToFile(String csvContent, String filePath, boolean append) {
        // 實現文件保存邏輯
        return true;
    }
}

高級功能展示

1. 多種輸出格式支持

// 輸出為不同格式
String csv = TabulaAPI.extractTablesAsCSV("document.pdf", regions);
String tsv = TabulaAPI.extractTablesAsTSV("document.pdf", regions);
String json = TabulaAPI.extractTablesAsJSON("document.pdf", regions);
 
// 或者動態指定輸出格式
String result = TabulaAPI.extractTables("document.pdf", regions, "csv"); // 支持 "tsv", "json"

2. 多種提取算法

PdfTableExtractor.TableRegion region = new PdfTableExtractor.TableRegion(1, 50, 50, 500, 300);
 
// 根據表格類型選擇合適的提取算法
region.setExtractionMethod(PdfTableExtractor.ExtractionMethod.LATTICE);    // 網格表格
region.setExtractionMethod(PdfTableExtractor.ExtractionMethod.STREAM);     // 流式表格
region.setExtractionMethod(PdfTableExtractor.ExtractionMethod.SPREADSHEET);// 電子表格
region.setExtractionMethod(PdfTableExtractor.ExtractionMethod.BASIC);      // 基礎算法
region.setExtractionMethod(PdfTableExtractor.ExtractionMethod.GUESS);      // 自動猜測

3. 多區域提取

// 提取PDF中多個不同區域的表格
List<PdfTableExtractor.TableRegion> regions = Arrays.asList(
    new PdfTableExtractor.TableRegion(1, 50, 50, 300, 200),   // 第一個表格區域
    new PdfTableExtractor.TableRegion(1, 50, 250, 300, 400),  // 第二個表格區域
    new PdfTableExtractor.TableRegion(2, 50, 50, 500, 300)    // 第三頁的表格區域
);
 
String result = TabulaAPI.extractTablesAsCSV("多表格文檔.pdf", regions);

核心API詳解

TableRegion類

PdfTableExtractor.TableRegion 用於定義要提取的表格區域：

// 創建表格區域
TableRegion region = new TableRegion(
    1,      // 頁碼（從1開始）
    50,     // 左上角x座標
    50,     // 左上角y座標  
    500,    // 右下角x座標
    300     // 右下角y座標
);
 
// 設置提取方法
region.setExtractionMethod(PdfTableExtractor.ExtractionMethod.LATTICE);
 
// 設置輸出格式
region.setOutputFormat("csv");

座標系統説明：座標系的原點位於頁面的左上角，向右為x軸正方向，向下為y軸正方向。

TabulaAPI類

主要靜態方法：

java識別pdf中表格數據轉為CAV、TSV、JSON_java

實戰案例：財務報表處理

假設我們需要從財務報表PDF中提取數據表：

public class FinancialReportProcessor {
    
    public void processFinancialReport(String pdfPath) {
        try {
            // 定義財務報表區域（通常位於頁面中央）
            List<PdfTableExtractor.TableRegion> regions = Arrays.asList(
                new PdfTableExtractor.TableRegion(1, 100, 150, 500, 400)
            );
            
            // 使用網格算法提取（適合規整的財務報表）
            regions.get(0).setExtractionMethod(PdfTableExtractor.ExtractionMethod.LATTICE);
            
            // 提取數據
            String csvData = TabulaAPI.extractTablesAsCSV(pdfPath, regions);
            
            // 處理提取的數據
            processExtractedData(csvData);
            
        } catch (IOException e) {
            System.err.println("處理財務報表失敗: " + e.getMessage());
        }
    }
    
    private void processExtractedData(String csvData) {
        // 這裏可以添加數據清洗、驗證等邏輯
        String[] lines = csvData.split("\n");
        System.out.println("成功提取 " + (lines.length - 1) + " 行數據");
        
        // 保存到文件
        saveCsvToFile(csvData, "財務數據.csv", false);
    }
}

常見問題解答

這個庫能處理掃描版的PDF嗎？

不能。Tabula只能處理基於文本的PDF，對於掃描版的圖片PDF需要先進行OCR識別。

如何確定表格的座標區域？

建議使用Tabula的原生桌面應用先進行可視化區域選擇，獲取準確座標後再在代碼中使用。

提取結果不準確怎麼辦？

嘗試不同的提取算法（LATTICE vs STREAM）

調整區域座標

檢查PDF文件質量

支持批量處理嗎？

庫本身專注於單個文件提取，但你可以輕鬆封裝批量處理邏輯：

public class BatchPdfProcessor {
    public void processMultipleFiles(List<String> pdfFiles) {
        for (String pdfFile : pdfFiles) {
            try {
                String result = TabulaAPI.extractAllTables(pdfFile);
                // 處理每個文件的結果
            } catch (IOException e) {
                System.err.println("處理文件失敗: " + pdfFile);
            }
        }
    }
}

性能優化建議

  • 合理選擇提取算法：根據表格特徵選擇最合適的算法
  • 精確指定區域：避免提取不必要的區域內容
  • 批量處理時注意內存：大文件批量處理時注意JVM內存配置
  • 使用緩存機制：對於重複處理的文件可以考慮緩存結果

總結

Java Tabula Extractor是一個功能強大且易於使用的PDF表格提取工具，無論是處理簡單的數據表還是複雜的財務報表，它都能提供出色的解決方案。通過本文的介紹，相信你已經掌握了它的基本用法和高級特性。

主要優勢：

  • 提取精度高
  • 支持多種輸出格式
  • 靈活的提取算法
  • 完善的錯誤處理
  • 活躍的社區支持

如果你在項目中需要處理PDF表格數據，不妨試試這個強大的工具，相信它會大大提高你的工作效率！