PDF解析程序架構(gòu)設(shè)計(jì)詳細(xì)

在做大數(shù)據(jù)的時(shí)候，首先第一步就是要解決數(shù)據(jù)的來源，我們采用的設(shè)計(jì)方案就是使用Python來從一些政府網(wǎng)站爬數(shù)據(jù)，將披露的銀行、證券、股票、信托等行業(yè)中三大報(bào)表（利潤表、資產(chǎn)負(fù)債表、現(xiàn)金流量表）數(shù)據(jù)解析并錄入數(shù)據(jù)庫，我們采用java編程來實(shí)現(xiàn)三大報(bào)表數(shù)據(jù)解析。

程序設(shè)計(jì)采用java面向?qū)ο笤O(shè)計(jì)的概念，利用java繼承、封裝、多態(tài)的特性來設(shè)計(jì)，可以減去程序更改的麻煩，以前寫的類可以繼續(xù)使用。

程序設(shè)計(jì)架構(gòu)采用如下所示：

ParentTable包含三個(gè)函數(shù)。

MatchStartLine():用于查找三大報(bào)表的起始行。

MatchEndline():用于查找三大報(bào)表的結(jié)束行。

Anla():用于解析查找到的報(bào)表行。

在解析不用的PDF文件時(shí)，直接進(jìn)行override這三個(gè)函數(shù)，就可以實(shí)現(xiàn)解決不同的表格匹配問題。

新建一個(gè)PDFFile類，在這個(gè)類中實(shí)現(xiàn)調(diào)用ParentTable的anla函數(shù)，來解析所有的PDF文件中的所有表格。

public boolean anla(){

for(ParentTable table : tables){

int nIndexStart = table.matchStartLine(lines);

int nIndexEnd = table.matchEndLine(lines);

/*取出表內(nèi)容*/

String[] arrTableLines =newString[nIndexEnd - nIndexStart +1];

System.arraycopy(lines, nIndexStart, arrTableLines,0, nTableLineCount);

if(arrTableLines.length <=0)

continue;

table.setTableLines(arrTableLines);

/*分析表內(nèi)容*/

table.anla();

}

}

在主程序中，調(diào)用PDFFile類中的anla()函數(shù)，將依次解析tables參數(shù)中所有表格類型，將解決匹配所有PDF文件中表格。

下一節(jié)將解決如何使用多線程來解析PDF文件。