在做大數(shù)據(jù)的時候，首先第一步就是要解決數(shù)據(jù)的來源，我們采用的設計方案就是使用Python來從一些政府網站爬數(shù)據(jù)，將披露的銀行、證券、股票、信托等行業(yè)中三大報表（利潤表、資產負債表、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編程來實現(xiàn)三大報表數(shù)據(jù)解析。

程序設計采用java面向對象設計的概念，利用java繼承、封裝、多態(tài)的特性來設計，可以減去程序更改的麻煩，以前寫的類可以繼續(xù)使用。

程序設計架構采用如下所示：

ParentTable包含三個函數(shù)。

MatchStartLine():用于查找三大報表的起始行。

MatchEndline():用于查找三大報表的結束行。

Anla():用于解析查找到的報表行。

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

新建一個PDFFile類，在這個類中實現(xiàn)調用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);

/*分析表內容*/

table.anla();

}

}

在主程序中，調用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。