PDF解析程序架构设计详细

在做大数据的时候，首先第一步就是要解决数据的来源，我们采用的设计方案就是使用Python来从一些政府网站爬数据，将披露的银行、证券、股票、信托等行业中三大报表（利润表、资产负债表、现金流量表）数据解析并录入数据库，我们采用java编程来实现三大报表数据解析。

程序设计采用java面向对象设计的概念，利用java继承、封装、多态的特性来设计，可以减去程序更改的麻烦，以前写的类可以继续使用。

程序设计架构采用如下所示：

ParentTable包含三个函数。

MatchStartLine():用于查找三大报表的起始行。

MatchEndline():用于查找三大报表的结束行。

Anla():用于解析查找到的报表行。

在解析不用的PDF文件时，直接进行override这三个函数，就可以实现解决不同的表格匹配问题。

新建一个PDFFile类，在这个类中实现调用ParentTable的anla函数，来解析所有的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);

/*取出表内容*/

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

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

if(arrTableLines.length <=0)

continue;

table.setTableLines(arrTableLines);

/*分析表内容*/

table.anla();

}

}

在主程序中，调用PDFFile类中的anla()函数，将依次解析tables参数中所有表格类型，将解决匹配所有PDF文件中表格。

下一节将解决如何使用多线程来解析PDF文件。