PDFBox下载及将pdf提取转换为txt文档

最新推荐文章于 2025-01-07 17:42:09 发布

dengjianqiang001

最新推荐文章于 2025-01-07 17:42:09 发布

阅读量2.6k

点赞数

文章标签：文档 string encoding exception output url

下载网址:
http://sourceforge.net/projects/pdfbox/

最新版本为0.7.3
从解压包中的external目录复制以下jar包:
bcmail-jdk*.jar
bcprov-jdk*.jar
checkstyle-all-*.jar
FontBox-*.jar
lucene-core-*.jar
再从lib中复制PDFBox-*.jar 到项目lib中.

以下是一个例子:

package ch7.pdfbox;

import java.io.File;
import java.io.FileOutputStream;
import java.io.OutputStreamWriter;
import java.io.Writer;
import java.net.MalformedURLException;
import java.net.URL;

import org.pdfbox.pdmodel.PDDocument;
import org.pdfbox.util.PDFTextStripper;

/**
* 将pdf提取转换为txt文档
*
* @author Administrator
*
*/
public class PdfboxTest {
public static final String DEFAULT_ENCODING = "UTF-8";

// "ISO-8859-1";
// "ISO-8859-6";
// "US-ASCII";
// "UTF-8";
// "UTF-16";
// "UTF-16BE";
// "UTF-16LE";
public void geText(String file) throws Exception {
  // 是否排序
  boolean sort = false;
  // pdf文件名
  String pdfFile = file;
  // 输入文本文件名称
  String textFile = null;
  // 编码方式
  String encoding = "UTF-8";
  // 开始提取页数
  int startPage = 1;
  // 结束提取页数
  int endPage = Integer.MAX_VALUE;
  // 文件输入流，生成文本文件
  Writer output = null;
  // 内存中存储的PDF Document
  PDDocument document = null;
  try {
   try {
    // 首先当作一个URL来装载文件，如果得到异常再从本地文件系统//去装载文件
    URL url = new URL(pdfFile);
    document = PDDocument.load(url);
    // 获取PDF的文件名
    String fileName = url.getFile();
    // 以原来PDF的名称来命名新产生的txt文件
    if (fileName.length() > 4) {
     File outputFile = new File(fileName.substring(0,
       fileName.length() - 4)
       + ".txt");
     textFile = outputFile.getName();
    }
   } catch (MalformedURLException e) {
    // 如果作为URL装载得到异常则从文件系统装载
    document = PDDocument.load(pdfFile);
    if (pdfFile.length() > 4) {
     textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";
    }
   }
   // 文件输入流，写入文件倒textFile
   output = new OutputStreamWriter(new FileOutputStream(textFile), encoding);
   // PDFTextStripper来提取文本
   PDFTextStripper stripper = null;
   stripper = new PDFTextStripper();
   // 设置是否排序
   stripper.setSortByPosition(sort);
   // 设置起始页
   stripper.setStartPage(startPage);
   // 设置结束页
   stripper.setEndPage(endPage);
   // 调用PDFTextStripper的writeText提取并输出文本
   stripper.writeText(document, output);
  } finally {
   if (output != null) {
    // 关闭输出流
    output.close();
   }
   if (document != null) {
    // 关闭PDF Document
    document.close();
   }
  }
}

public static void main(String[] args) {
  PdfboxTest test = new PdfboxTest();
  try {
   test.geText("D://ride//Lucene.pdf"); // 转换为D://ride//Lucene.txt
  } catch (Exception e) {
   e.printStackTrace();
  }
}

}