Fork Tabula-Java

Форк библиотеки tabula-java, предназначенный для извлечения таблиц из PDF-документов.

Отличия от оригинала

• Удалён лишний функционал:
  • CommandLineApp
  • тесты
  • неиспользуемый код
• Минимизирован набор зависимостей
• Обновлены версии используемых библиотек до последних
• Сохранена совместимость с Java 8

О проекте

Этот форк предназначен для случаев, когда требуется только ядро распознавания таблиц без дополнительных утилит и CLI, что делает библиотеку более лёгкой и удобной для интеграции в сторонние проекты.

Пример использования

Извлечение таблиц из PDF-документа постранично.

public static List<List<Table>> getTablesFromPdf(String pdfFilePath) throws Exception {
    try (PDDocument document = Loader.loadPDF(new File(pdfFilePath))) {
        SpreadsheetExtractionAlgorithm ea = new SpreadsheetExtractionAlgorithm(); // или new BasicExtractionAlgorithm()

        List<List<Table>> result = new ArrayList<>();

        PageIterator pi = new ObjectExtractor(document).extract();

        while (pi.hasNext()) {
            Page page = pi.next();
            result.add(ea.extract(page));
        }
        return result;
    }
}

Доступные алгоритмы извлечения

1. SpreadsheetExtractionAlgorithm()

• Подходит для PDF, созданных из табличных редакторов (Excel, Google Sheets и др.).
• Использует «сеточную» структуру для распознавания таблицы.
• Отличается высокой точностью, если документ содержит чётко выровненные столбцы и строки.
• Рекомендуется для машинно-сгенерированных PDF.

2. BasicExtractionAlgorithm()

• Универсальный алгоритм для поиска таблиц в PDF.
• Основан на анализе расположения текста и промежутков между словами.
• Может извлекать таблицы даже из документов без сетки (например, отчётов или документов, где таблица напечатана как текст).
• Работает хуже на «чистых» Excel-таблицах по сравнению с Spreadsheet-алгоритмом, но зато справляется с менее структурированными таблицами.