ExtractPDF4J

Java 库从文本/扫描 PDF 里抽结构化表格

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。

开源 free 计算机视觉

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 518

维护状态活跃

是否开源是

定价模式 free

项目数据

分类计算机视觉

开发团队ExtractPDF4J

所属国家

官网地址https://extractpdf4j.github.io/ExtractPDF4J

GitHubhttps://github.com/ExtractPDF4J/ExtractPDF4J

定价模式free

价格说明开源免费，采用开源许可证

访问状态

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★ 518

30天Star增速

HF 下载量

上线时间2025-08-14 00:00:00

最近更新2026-09-18 00:00:00

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-09-19

浏览次数0

使用教程

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

项目介绍

ExtractPDF4J 是一个计算机视觉领域的开源项目，官方简介：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.。项目使用 Java 开发，在 GitHub 上获得 518 星标。

上一篇：yomihon

下一篇：RawMangaReader