ExtractPDF4J

Java 库从文本/扫描 PDF 里抽结构化表格

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署 计算机视觉 🍴 复刻 33 🐛 待处理 63 👀 关注 5
访问官网 ↗ GitHub ↗
GitHub 星标 ★ 511
维护状态 较活跃
是否开源 开源
定价模式 🏷️完全免费 开源免费，采用开源许可证

项目预览

ExtractPDF4J 项目界面预览图
图片来源：GitHub 官方仓库名片

项目数据

分类计算机视觉
开发团队ExtractPDF4J
官网地址https://extractpdf4j.github.io/ExtractPDF4J
GitHubhttps://github.com/ExtractPDF4J/ExtractPDF4J
定价模式🏷️完全免费
价格说明开源免费，采用开源许可证
访问状态🔧 仅开源项目，无在线服务，需自行部署
是否开源是
开源协议NOASSERTION
主要语言Java
技术栈/模型cli,document-processing,java,java17,maven,ocr,ocr-recognition,pdf-document,pdf-document-processor,pdf-extraction,pdf-extractor,pdf-processor
GitHub 星标★ 511
上线时间2025-08-14 00:00:00
代码更新2026-10-14
仓库体积6.7 MB
本站数据更新2026-11-03
维护状态较活跃
收录时间2026-09-19
浏览次数5

项目介绍

ExtractPDF4J 是一个用 Java 编写的 PDF 表格提取与 OCR 库，主要解决从 PDF 中稳定抽取结构化表格数据的问题。它同时支持文本型 PDF 和扫描件：对文本型 PDF 提供流式解析（stream）和基于 OpenCV 风格网格检测的 lattice 解析，对扫描件则结合 OCR 识别文字，并可用 hybrid 模式混合两种策略以提升复杂版式的准确率。项目面向 Java 17 与 Maven 生态，提供 CLI 与库两种使用方式，输出结构化表格数据，方便后续入库、分析或转换。相比只做文本抽取的工具，它把表格线检测、单元格切分与 OCR 串联成一条流水线，适合需要在 JVM 服务端批量处理发票、报表、对账单等文档的场景。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-09-19 · 当前星标 ★ 511

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：入门 约 35 分钟 部署方式：容器部署 4 步

环境要求

  • Docker 或 JDK 17+

安装与启动步骤

  1. 1先分清主次

    主体是语言库，服务镜像只是包装。

  2. 2用镜像起服务

    不想搭语言环境时最省事。

    docker run -p 8080:8080 extractpdf4j-service

  3. 3调接口抽表

    传 PDF，取结构化表格。

  4. 4挑几份难文档验

    合并单元格与跨页表最容易错。

如何确认成功

对一份含跨页表格的 PDF 抽取结果里，表头与行数据字段对齐，且跨页部分被正确合并

注意事项

  • 它是语言原生的 PDF 表格抽取库，面向真实文档而不是演示数据集。
  • 跨页表与合并单元格是这类工具的照妖镜，验收要专门挑。
  • 服务镜像适合快速试用，生产建议直接引库。
  • 扫描件要先过识别，它只处理文本层。

核心亮点

  • 同时覆盖文本型与扫描型 PDF，stream、lattice、hybrid 三种解析模式可按版式切换
  • lattice 用 OpenCV 风格网格检测处理有线表格，对规整报表识别更稳
  • Java 17 + Maven，提供 CLI 和库两种接入方式，方便嵌入 JVM 后端服务

不足之处

  • 早期项目，复杂合并单元格与无框线表格的准确率仍需实测验证
  • 文档与社区规模较小，遇到边界版式问题可参考的案例有限

适用场景

  • 批量解析发票、对账单，把表格数据写入数据库
  • 在 Java 后端服务中抽取报表 PDF 并转成 CSV/JSON
  • 对扫描版合同或清单做 OCR 后提取结构化字段

替代项目

Tabula、Camelot、PDFPlumber

上一篇：yomihon

下一篇：RawMangaReader

同类项目推荐

ComfyUI-Forbidden-Vision 开源

在ComfyUI中，轻松搞定动漫与写实人脸检测修复

Reliable face detection, segmentation and enhancement for ComfyUI with custom-traine···

★ 105 2026-08-09
core 开源

把零散 OCR 工具串成标准化流水线，古籍数字化更省心

Collection of OCR-related python tools and wrappers from @OCR-D

★ 137 2026-09-19
dpscreenocr 开源

框选屏幕任意区域，一键提取文字到剪贴板

A program to recognize text on the screen

★ 299 2026-09-30
ANTs 开源

医学图像精准配准与分割，助力神经影像分析

Advanced Normalization Tools (ANTs)

★ 1512 2026-08-10
sd-webui-reactor-sfw 开源

在 Stable Diffusion 里一键换脸，安全无 NSFW，快速出图

(SFW Friendly) Fast and Simple Face Swap Extension for StableDiffusion WebUI (A1111,···

★ 312 2026-08-09
ComfyUI-Depth-Anything-Tensorrt 开源

ComfyUI 里跑深度图，TensorRT 加速最高 14 倍，快人一步。

ComfyUI Depth Anything (v1/v2/v3/distill-any-depth) Tensorrt Custom Node (up to 14x ···

★ 136 2026-08-09
system-ocr 开源

调系统自带 OCR，截图取字不装大模型

Ocr api via system API

★ 115 2026-09-19
bootcamp 开源

一套代码搞定图像、音频、分子等非结构化搜索

Dealing with all unstructured data, such as reverse image search, audio search, mole···

★ 2451 2026-08-09
docslight 开源

上传任意文档，自动解析成结构化数据

With DocSlight, precisely parse and extract data from any document, including PDFs, ···

★ 136 2026-10-18