java读取pdf文件

最新推荐文章于 2025-05-06 19:03:47 发布
最新推荐文章于 2025-05-06 19:03:47 发布
阅读量1.7k 收藏
点赞数
CC 4.0 BY-SA版权
文章标签： java pdf poi
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/liangyongran/article/details/8967722

1、使用PDFBox处理PDF文档

PDF全称Portable Document Format，是Adobe公司开发的电子文件格式。这种文件格式与操作系统平台无关，可以在Windows、Unix或Mac OS等操作系统上通用。

PDF文件格式将文字、字型、格式、颜色及独立于设备和分辨率的图形图像等封装在一个文件中。如果要抽取其中的文本信息，需要根据它的文件格式来进行解析。幸好目前已经有不少工具能帮助我们做这些事情。

2、PDFBox的下载

最常见的一种PDF文本抽取工具就是PDFBox了，访问网址http://sourceforge.net/projects/pdfbox/，进入如图7-1所示的下载界面。读者可以在该网页下载其最新的版本。本书采用的是PDFBox-0.7.3版本。PDFBox是一个开源的Java PDF库，这个库允许你访问PDF文件的各项信息。在接下来的例子中，将演示如何使用PDFBox提供的API，从一个PDF文件中提取出文本信息。

3、在Eclipse中配置

以下是在Eclipse中创建工程，并建立解析PDF文件的工具类的过程。

（1）在Eclipse的workspace中创建一个普通的Java工程：ch7。

（2）把下载的PDFBox-0.7.3.zip解压。

（3）进入external目录下，可以看到，这里包括了PDFBox所有用到的外部包。复制下面的Jar包到工程ch7的lib目录下（如还未建立lib目录，则先创建一个）。

l bcmail-jdk14-132.jar

l bcprov-jdk14-132.jar

l checkstyle-all-4.2.jar

l FontBox-0.1.0-dev.jar

l lucene-core-2.0.0.jar

然后再从PDFBox的lib目录下，复制PDFBox-0.7.3.jar到工程的lib目录下。

（4）在工程上单击右键，在弹出的快捷菜单中选择“Build Path->Config Build Path->Add Jars”命令，把工程lib目录下面的包都加入工程的Build Path。

4、使用PDFBox解析PDF内容

在刚刚创建的Eclipse工程中，创建一个ch7.pdfbox包，并创建一个PdfboxTest类。该类包含一个getText方法，用于从一个PDF中获取文本信息，其代码如下。

import java.io.BufferedWriter;
import java.io.FileInputStream;
import java.io.FileWriter;

import org.pdfbox.pdfparser.PDFParser;
import org.pdfbox.util.PDFTextStripper;


public class PdfParser {

   /**
   * @param args
   */
   // TODO 自动生成方法存根

       public   static   void   main(String[]   args)   throws   Exception{
            FileInputStream   fis   =   new   FileInputStream("F:\\task\\lerman-atem2001.pdf");
            BufferedWriter writer = new BufferedWriter(new FileWriter("F:\\task\\pdf_change.txt"));
            PDFParser   p   =   new   PDFParser(fis);
            p.parse();        
            PDFTextStripper   ts   =   new   PDFTextStripper();        
            String   s   =   ts.getText(p.getPDDocument());
            writer.write(s);
            System.out.println(s);
            fis.close();
            writer.close();
         
   }
}
下面是自己按照书上的例子写的代码。
复制代码
  1package TestPDF.pdfbox;
  2
  3import java.io.File;
  4import java.io.FileOutputStream;
  5import java.io.IOException;
  6import java.io.OutputStreamWriter;
  7import java.io.Writer;
  8import java.net.URL;
  9
 10import org.apache.lucene.analysis.standard.StandardAnalyzer;
 11import org.apache.lucene.document.Document;
 12import org.apache.lucene.index.IndexWriter;
 13import org.apache.lucene.index.Term;
 14import org.apache.lucene.search.IndexSearcher;
 15import org.apache.lucene.search.PhraseQuery;
 16import org.apache.lucene.search.Query;
 17import org.apache.lucene.search.ScoreDoc;
 18import org.apache.lucene.search.TermQuery;
 19import org.apache.lucene.search.TopDocCollector;
 20import org.apache.lucene.search.TopDocs;
 21import org.pdfbox.pdmodel.PDDocument;
 22import org.pdfbox.searchengine.lucene.LucenePDFDocument;
 23import org.pdfbox.util.PDFTextStripper;
 24
 25public class Test {
 26
 27    public void getText(String file) throws Exception{
 28        //是否排序
 29        boolean sort = false;
 30        //pdf文件名
 31        String pdfFile = file;
 32        //输入文本文件名称
 33        String textFile = null;
 34        //编码方式
 35        String encoding = "UTF-8";
 36        //开始提取页数
 37        int startPage = 1;
 38        //结束提取页数
 39        int endPage = Integer.MAX_VALUE;
 40        //文件输入流，输入文本文件
 41        Writer output = null; 
 42        //内存中存储的PDF Document
 43        PDDocument document = null;
 44        
 45        try{
 46            try{
 47                //首先当作一个URL来加载文件，如果得到异常再从本地系统装载文件
 48                URL url = new URL(pdfFile);
 49                document = PDDocument.load(url);
 50                String fileName = url.getFile();
 51            
 52                if(fileName.length() > 4){
 53                    //以原来pdf名称来命名新产生的txt文件
 54                    File outputFile = new File(fileName.substring(0, fileName.length()-4) + ".txt");
 55                    textFile = outputFile.getName();
 56                }            
 57            }catch(Exception e){
 58                //如果作为URL装载得到异常则从文件系统装载
 59                document = PDDocument.load(pdfFile);
 60                if(pdfFile.length() > 4){
 61                    textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";
 62                }
 63            }
 64            //文件输出流，写入文件到textFile
 65            output = new OutputStreamWriter(new FileOutputStream(textFile),encoding);
 66            //PDFTextStripper来提取文本
 67            PDFTextStripper stripper = new PDFTextStripper();
 68            //设置是否排序
 69            stripper.setSortByPosition(sort);
 70            //设置起始页
 71            stripper.setStartPage(startPage);
 72            //设置结束页
 73            stripper.setEndPage(endPage);
 74            //调用PDFTextStripper的writeText提取并输出文本
 75            stripper.writeText(document, output);
 76        }finally{
 77            if(output != null){
 78                output.close();                
 79            }
 80            if(document != null){
 81                document.close();
 82            }
 83        }        
 84    }
 85    
 86    /** *//**
 87     * test Lucene with pdfbox
 88     * @throws IOException
 89     */
 90    public void LuceneTest() throws IOException{
 91        
 92        String path = "D:\\index";
 93        String pdfpath = "D:\\index\\Lucene.Net基本用法.pdf";
 94        
 95        IndexWriter writer = new IndexWriter(path, new StandardAnalyzer(),true);
 96        //writer.setMaxFieldLength(10240);
 97        //LucenePDFDocument返回由PDF产生的Lucene Document
 98        Document d = LucenePDFDocument.getDocument(new File(pdfpath));
 99        //System.out.println(d);
100        //写入索引
101        writer.addDocument(d);
102        writer.close();
103        
104        //读取d:\index下的索引文件，建立IndexSearcher
105        IndexSearcher searcher = new IndexSearcher(path);
106        //对索引的contents Field进行关键字Query的查找
107        Term t = new Term("contents","优");
 26
 27    public void getText(String file) throws Exception{
 28        //是否排序
 29        boolean sort = false;
 30        //pdf文件名
 31        String pdfFile = file;
 32        //输入文本文件名称
 33        String textFile = null;
 34        //编码方式
 35        String encoding = "UTF-8";
 36        //开始提取页数
 37        int startPage = 1;
 38        //结束提取页数
 39        int endPage = Integer.MAX_VALUE;
 40        //文件输入流，输入文本文件
 41        Writer output = null; 
 42        //内存中存储的PDF Document
 43        PDDocument document = null;
 44        
 45        try{
 46            try{
 47                //首先当作一个URL来加载文件，如果得到异常再从本地系统装载文件
 48                URL url = new URL(pdfFile);
 49                document = PDDocument.load(url);
 50                String fileName = url.getFile();
 51            
 52                if(fileName.length() > 4){
 53                    //以原来pdf名称来命名新产生的txt文件
 54                    File outputFile = new File(fileName.substring(0, fileName.length()-4) + ".txt");
 55                    textFile = outputFile.getName();
 56                }            
 57            }catch(Exception e){
 58                //如果作为URL装载得到异常则从文件系统装载
 59                document = PDDocument.load(pdfFile);
 60                if(pdfFile.length() > 4){
 61                    textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";
 62                }
 63            }
 64            //文件输出流，写入文件到textFile
 65            output = new OutputStreamWriter(new FileOutputStream(textFile),encoding);
 66            //PDFTextStripper来提取文本
 67            PDFTextStripper stripper = new PDFTextStripper();
 68            //设置是否排序
 69            stripper.setSortByPosition(sort);
 70            //设置起始页
 71            stripper.setStartPage(startPage);
 72            //设置结束页
 73            stripper.setEndPage(endPage);
 74            //调用PDFTextStripper的writeText提取并输出文本
 75            stripper.writeText(document, output);
 76        }finally{
 77            if(output != null){
 78                output.close();                
 79            }
 80            if(document != null){
 81                document.close();
 82            }
 83        }        
 84    }
 28        //是否排序
 29        boolean sort = false;
 30        //pdf文件名
 31        String pdfFile = file;
 32        //输入文本文件名称
 33        String textFile = null;
 34        //编码方式
 35        String encoding = "UTF-8";
 36        //开始提取页数
 37        int startPage = 1;
 38        //结束提取页数
 39        int endPage = Integer.MAX_VALUE;
 40        //文件输入流，输入文本文件
 41        Writer output = null; 
 42        //内存中存储的PDF Document
 43        PDDocument document = null;
 44        
 45        try{
 46            try{
 47                //首先当作一个URL来加载文件，如果得到异常再从本地系统装载文件
 48                URL url = new URL(pdfFile);
 49                document = PDDocument.load(url);
 50                String fileName = url.getFile();
 51            
 52                if(fileName.length() > 4){
 53                    //以原来pdf名称来命名新产生的txt文件
 54                    File outputFile = new File(fileName.substring(0, fileName.length()-4) + ".txt");
 55                    textFile = outputFile.getName();
 56                }            
 57            }catch(Exception e){
 58                //如果作为URL装载得到异常则从文件系统装载
 59                document = PDDocument.load(pdfFile);
 60                if(pdfFile.length() > 4){
 61                    textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";
 62                }
 63            }
 64            //文件输出流，写入文件到textFile
 65            output = new OutputStreamWriter(new FileOutputStream(textFile),encoding);
 66            //PDFTextStripper来提取文本
 67            PDFTextStripper stripper = new PDFTextStripper();
 68            //设置是否排序
 69            stripper.setSortByPosition(sort);
 70            //设置起始页
 71            stripper.setStartPage(startPage);
 72            //设置结束页
 73            stripper.setEndPage(endPage);
 74            //调用PDFTextStripper的writeText提取并输出文本
 75            stripper.writeText(document, output);
 76        }
 46            try{
 47                //首先当作一个URL来加载文件，如果得到异常再从本地系统装载文件
 48                URL url = new URL(pdfFile);
 49                document = PDDocument.load(url);
 50                String fileName = url.getFile();
 51            
 52                if(fileName.length() > 4){
 53                    //以原来pdf名称来命名新产生的txt文件
 54                    File outputFile = new File(fileName.substring(0, fileName.length()-4) + ".txt");
 55                    textFile = outputFile.getName();
 56                }            
 57            }
 47                //首先当作一个URL来加载文件，如果得到异常再从本地系统装载文件
 48                URL url = new URL(pdfFile);
 49                document = PDDocument.load(url);
 50                String fileName = url.getFile();
 51            
 52                if(fileName.length() > 4){
 53                    //以原来pdf名称来命名新产生的txt文件
 54                    File outputFile = new File(fileName.substring(0, fileName.length()-4) + ".txt");
 55                    textFile = outputFile.getName();
 56                }
 53                    //以原来pdf名称来命名新产生的txt文件
 54                    File outputFile = new File(fileName.substring(0, fileName.length()-4) + ".txt");
 55                    textFile = outputFile.getName();
 56                }            
 57            }catch(Exception e){
 58                //如果作为URL装载得到异常则从文件系统装载
 59                document = PDDocument.load(pdfFile);
 60                if(pdfFile.length() > 4){
 61                    textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";
 62                }
 63            }
 58                //如果作为URL装载得到异常则从文件系统装载
 59                document = PDDocument.load(pdfFile);
 60                if(pdfFile.length() > 4){
 61                    textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";
 62                }
 61                    textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";
 62                }
 63            }
 64            //文件输出流，写入文件到textFile
 65            output = new OutputStreamWriter(new FileOutputStream(textFile),encoding);
 66            //PDFTextStripper来提取文本
 67            PDFTextStripper stripper = new PDFTextStripper();
 68            //设置是否排序
 69            stripper.setSortByPosition(sort);
 70            //设置起始页
 71            stripper.setStartPage(startPage);
 72            //设置结束页
 73            stripper.setEndPage(endPage);
 74            //调用PDFTextStripper的writeText提取并输出文本
 75            stripper.writeText(document, output);
 76        }finally{
 77            if(output != null){
 78                output.close();                
 79            }
 80            if(document != null){
 81                document.close();
 82            }
 83        }
 77            if(output != null){
 78                output.close();                
 79            }
 78                output.close();                
 79            }
 80            if(document != null){
 81                document.close();
 82            }
 81                document.close();
 82            }
 83        }        
 84    }
 85    
 86    /** *//**
 87     * test Lucene with pdfbox
 88     * @throws IOException
 89     */
 87     * test Lucene with pdfbox
 88     * @throws IOException
 89     */
 90    public void LuceneTest() throws IOException{
 91        
 92        String path = "D:\\index";
 93        String pdfpath = "D:\\index\\Lucene.Net基本用法.pdf";
 94        
 95        IndexWriter writer = new IndexWriter(path, new StandardAnalyzer(),true);
 96        //writer.setMaxFieldLength(10240);
 97        //LucenePDFDocument返回由PDF产生的Lucene Document
 98        Document d = LucenePDFDocument.getDocument(new File(pdfpath));
 99        //System.out.println(d);
100        //写入索引
101        writer.addDocument(d);
102        writer.close();
103        
104        //读取d:\index下的索引文件，建立IndexSearcher
105        IndexSearcher searcher = new IndexSearcher(path);
106        //对索引的contents Field进行关键字Query的查找
107        Term t = new Term("contents","优");
 91        
 92        String path = "D:\\index";
 93        String pdfpath = "D:\\index\\Lucene.Net基本用法.pdf";
 94        
 95        IndexWriter writer = new IndexWriter(path, new StandardAnalyzer(),true);
 96        //writer.setMaxFieldLength(10240);
 97        //LucenePDFDocument返回由PDF产生的Lucene Document
 98        Document d = LucenePDFDocument.getDocument(new File(pdfpath));
 99        //System.out.println(d);
100        //写入索引
101        writer.addDocument(d);
102        writer.close();
103        
104        //读取d:\index下的索引文件，建立IndexSearcher
105        IndexSearcher searcher = new IndexSearcher(path);
106        //对索引的contents Field进行关键字Query的查找
107        Term t = new Term("contents","优");
 26
 27    public void getText(String file) throws Exception{
 28        //是否排序
 29        boolean sort = false;
 30        //pdf文件名
 31        String pdfFile = file;
 32        //输入文本文件名称
 33        String textFile = null;
 34        //编码方式
 35        String encoding = "UTF-8";
 36        //开始提取页数
 37        int startPage = 1;
 38        //结束提取页数
 39        int endPage = Integer.MAX_VALUE;
 40        //文件输入流，输入文本文件
 41        Writer output = null; 
 42        //内存中存储的PDF Document
 43        PDDocument document = null;
 44        
 45        try{
 46            try{
 47                //首先当作一个URL来加载文件，如果得到异常再从本地系统装载文件
 48                URL url = new URL(pdfFile);
 49                document = PDDocument.load(url);
 50                String fileName = url.getFile();
 51            
 52                if(fileName.length() > 4){
 53                    //以原来pdf名称来命名新产生的txt文件
 54                    File outputFile = new File(fileName.substring(0, fileName.length()-4) + ".txt");
 55                    textFile = outputFile.getName();
 56                }            
 57            }catch(Exception e){
 58                //如果作为URL装载得到异常则从文件系统装载
 59                document = PDDocument.load(pdfFile);
 60                if(pdfFile.length() > 4){
 61                    textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";
 62                }
 63            }
 64            //文件输出流，写入文件到textFile
 65            output = new OutputStreamWriter(new FileOutputStream(textFile),encoding);
 66            //PDFTextStripper来提取文本
 67            PDFTextStripper stripper = new PDFTextStripper();
 68            //设置是否排序
 69            stripper.setSortByPosition(sort);
 70            //设置起始页
 71            stripper.setStartPage(startPage);
 72            //设置结束页
 73            stripper.setEndPage(endPage);
 74            //调用PDFTextStripper的writeText提取并输出文本
 75            stripper.writeText(document, output);
 76        }finally{
 77            if(output != null){
 78                output.close();                
 79            }
 80            if(document != null){
 81                document.close();
 82            }
 83        }        
 84    }
 28        //是否排序
 29        boolean sort = false;
 30        //pdf文件名
 31        String pdfFile = file;
 32        //输入文本文件名称
 33        String textFile = null;
 34        //编码方式
 35        String encoding = "UTF-8";
 36        //开始提取页数
 37        int startPage = 1;
 38        //结束提取页数
 39        int endPage = Integer.MAX_VALUE;
 40        //文件输入流，输入文本文件
 41        Writer output = null; 
 42        //内存中存储的PDF Document
 43        PDDocument document = null;
 44        
 45        try{
 46            try{
 47                //首先当作一个URL来加载文件，如果得到异常再从本地系统装载文件
 48                URL url = new URL(pdfFile);
 49                document = PDDocument.load(url);
 50                String fileName = url.getFile();
 51            
 52                if(fileName.length() > 4){
 53                    //以原来pdf名称来命名新产生的txt文件
 54                    File outputFile = new File(fileName.substring(0, fileName.length()-4) + ".txt");
 55                    textFile = outputFile.getName();
 56                }            
 57            }catch(Exception e){
 58                //如果作为URL装载得到异常则从文件系统装载
 59                document = PDDocument.load(pdfFile);
 60                if(pdfFile.length() > 4){
 61                    textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";
 62                }
 63            }
 64            //文件输出流，写入文件到textFile
 65            output = new OutputStreamWriter(new FileOutputStream(textFile),encoding);
 66            //PDFTextStripper来提取文本
 67            PDFTextStripper stripper = new PDFTextStripper();
 68            //设置是否排序
 69            stripper.setSortByPosition(sort);
 70            //设置起始页
 71            stripper.setStartPage(startPage);
 72            //设置结束页
 73            stripper.setEndPage(endPage);
 74            //调用PDFTextStripper的writeText提取并输出文本
 75            stripper.writeText(document, output);
 76        }
 46            try{
 47                //首先当作一个URL来加载文件，如果得到异常再从本地系统装载文件
 48                URL url = new URL(pdfFile);
 49                document = PDDocument.load(url);
 50                String fileName = url.getFile();
 51            
 52                if(fileName.length() > 4){
 53                    //以原来pdf名称来命名新产生的txt文件
 54                    File outputFile = new File(fileName.substring(0, fileName.length()-4) + ".txt");
 55                    textFile = outputFile.getName();
 56                }            
 57            }
 47                //首先当作一个URL来加载文件，如果得到异常再从本地系统装载文件
 48                URL url = new URL(pdfFile);
 49                document = PDDocument.load(url);
 50                String fileName = url.getFile();
 51            
 52                if(fileName.length() > 4){
 53                    //以原来pdf名称来命名新产生的txt文件
 54                    File outputFile = new File(fileName.substring(0, fileName.length()-4) + ".txt");
 55                    textFile = outputFile.getName();
 56                }
 53                    //以原来pdf名称来命名新产生的txt文件
 54                    File outputFile = new File(fileName.substring(0, fileName.length()-4) + ".txt");
 55                    textFile = outputFile.getName();
 56                }            
 57            }catch(Exception e){
 58                //如果作为URL装载得到异常则从文件系统装载
 59                document = PDDocument.load(pdfFile);
 60                if(pdfFile.length() > 4){
 61                    textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";
 62                }
 63            }
 58                //如果作为URL装载得到异常则从文件系统装载
 59                document = PDDocument.load(pdfFile);
 60                if(pdfFile.length() > 4){
 61                    textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";
 62                }
 61                    textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";
 62                }
 63            }
 64            //文件输出流，写入文件到textFile
 65            output = new OutputStreamWriter(new FileOutputStream(textFile),encoding);
 66            //PDFTextStripper来提取文本
 67            PDFTextStripper stripper = new PDFTextStripper();
 68            //设置是否排序
 69            stripper.setSortByPosition(sort);
 70            //设置起始页
 71            stripper.setStartPage(startPage);
 72            //设置结束页
 73            stripper.setEndPage(endPage);
 74            //调用PDFTextStripper的writeText提取并输出文本
 75            stripper.writeText(document, output);
 76        }finally{
 77            if(output != null){
 78                output.close();                
 79            }
 80            if(document != null){
 81                document.close();
 82            }
 83        }
 77            if(output != null){
 78                output.close();                
 79            }
 78                output.close();                
 79            }
 80            if(document != null){
 81                document.close();
 82            }
 81                document.close();
 82            }
 83        }        
 84    }
 28        //是否排序
 29        boolean sort = false;
 30        //pdf文件名
 31        String pdfFile = file;
 32        //输入文本文件名称
 33        String textFile = null;
 34        //编码方式
 35        String encoding = "UTF-8";
 36        //开始提取页数
 37        int startPage = 1;
 38        //结束提取页数
 39        int endPage = Integer.MAX_VALUE;
 40        //文件输入流，输入文本文件
 41        Writer output = null; 
 42        //内存中存储的PDF Document
 43        PDDocument document = null;
 44        
 45        try{
 46            try{
 47                //首先当作一个URL来加载文件，如果得到异常再从本地系统装载文件
 48                URL url = new URL(pdfFile);
 49                document = PDDocument.load(url);
 50                String fileName = url.getFile();
 51            
 52                if(fileName.length() > 4){
 53                    //以原来pdf名称来命名新产生的txt文件
 54                    File outputFile = new File(fileName.substring(0, fileName.length()-4) + ".txt");
 55                    textFile = outputFile.getName();
 56                }            
 57            }catch(Exception e){
 58                //如果作为URL装载得到异常则从文件系统装载
 59                document = PDDocument.load(pdfFile);
 60                if(pdfFile.length() > 4){
 61                    textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";
 62                }
 63            }
 64            //文件输出流，写入文件到textFile
 65            output = new OutputStreamWriter(new FileOutputStream(textFile),encoding);
 66            //PDFTextStripper来提取文本
 67            PDFTextStripper stripper = new PDFTextStripper();
 68            //设置是否排序
 69            stripper.setSortByPosition(sort);
 70            //设置起始页
 71            stripper.setStartPage(startPage);
 72            //设置结束页
 73            stripper.setEndPage(endPage);
 74            //调用PDFTextStripper的writeText提取并输出文本
 75            stripper.writeText(document, output);
 76        }
 46            try{
 47                //首先当作一个URL来加载文件，如果得到异常再从本地系统装载文件
 48                URL url = new URL(pdfFile);
 49                document = PDDocument.load(url);
 50                String fileName = url.getFile();
 51            
 52                if(fileName.length() > 4){
 53                    //以原来pdf名称来命名新产生的txt文件
 54                    File outputFile = new File(fileName.substring(0, fileName.length()-4) + ".txt");
 55                    textFile = outputFile.getName();
 56                }            
 57            }
 47                //首先当作一个URL来加载文件，如果得到异常再从本地系统装载文件
 48                URL url = new URL(pdfFile);
 49                document = PDDocument.load(url);
 50                String fileName = url.getFile();
 51            
 52                if(fileName.length() > 4){
 53                    //以原来pdf名称来命名新产生的txt文件
 54                    File outputFile = new File(fileName.substring(0, fileName.length()-4) + ".txt");
 55                    textFile = outputFile.getName();
 56                }
 53                    //以原来pdf名称来命名新产生的txt文件
 54                    File outputFile = new File(fileName.substring(0, fileName.length()-4) + ".txt");
 55                    textFile = outputFile.getName();
 56                }            
 57            }catch(Exception e){
 58                //如果作为URL装载得到异常则从文件系统装载
 59                document = PDDocument.load(pdfFile);
 60                if(pdfFile.length() > 4){
 61                    textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";
 62                }
 63            }
 58                //如果作为URL装载得到异常则从文件系统装载
 59                document = PDDocument.load(pdfFile);
 60                if(pdfFile.length() > 4){
 61                    textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";
 62                }
 61                    textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";
 62                }
 63            }
 64            //文件输出流，写入文件到textFile
 65            output = new OutputStreamWriter(new FileOutputStream(textFile),encoding);
 66            //PDFTextStripper来提取文本
 67            PDFTextStripper stripper = new PDFTextStripper();
 68            //设置是否排序
 69            stripper.setSortByPosition(sort);
 70            //设置起始页
 71            stripper.setStartPage(startPage);
 72            //设置结束页
 73            stripper.setEndPage(endPage);
 74            //调用PDFTextStripper的writeText提取并输出文本
 75            stripper.writeText(document, output);
 76        }
 46            try{
 47                //首先当作一个URL来加载文件，如果得到异常再从本地系统装载文件
 48                URL url = new URL(pdfFile);
 49                document = PDDocument.load(url);
 50                String fileName = url.getFile();
 51            
 52                if(fileName.length() > 4){
 53                    //以原来pdf名称来命名新产生的txt文件
 54                    File outputFile = new File(fileName.substring(0, fileName.length()-4) + ".txt");
 55                    textFile = outputFile.getName();
 56                }            
 57            }
 47                //首先当作一个URL来加载文件，如果得到异常再从本地系统装载文件
 48                URL url = new URL(pdfFile);
 49                document = PDDocument.load(url);
 50                String fileName = url.getFile();
 51            
 52                if(fileName.length() > 4){
 53                    //以原来pdf名称来命名新产生的txt文件
 54                    File outputFile = new File(fileName.substring(0, fileName.length()-4) + ".txt");
 55                    textFile = outputFile.getName();
 56                }
 53                    //以原来pdf名称来命名新产生的txt文件
 54                    File outputFile = new File(fileName.substring(0, fileName.length()-4) + ".txt");
 55                    textFile = outputFile.getName();
 56                }            
 57            }
 47                //首先当作一个URL来加载文件，如果得到异常再从本地系统装载文件
 48                URL url = new URL(pdfFile);
 49                document = PDDocument.load(url);
 50                String fileName = url.getFile();
 51            
 52                if(fileName.length() > 4){
 53                    //以原来pdf名称来命名新产生的txt文件
 54                    File outputFile = new File(fileName.substring(0, fileName.length()-4) + ".txt");
 55                    textFile = outputFile.getName();
 56                }
 53                    //以原来pdf名称来命名新产生的txt文件
 54                    File outputFile = new File(fileName.substring(0, fileName.length()-4) + ".txt");
 55                    textFile = outputFile.getName();
 56                }
 53                    //以原来pdf名称来命名新产生的txt文件
 54                    File outputFile = new File(fileName.substring(0, fileName.length()-4) + ".txt");
 55                    textFile = outputFile.getName();
 56                }            
 57            }catch(Exception e){
 58                //如果作为URL装载得到异常则从文件系统装载
 59                document = PDDocument.load(pdfFile);
 60                if(pdfFile.length() > 4){
 61                    textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";
 62                }
 63            }
 58                //如果作为URL装载得到异常则从文件系统装载
 59                document = PDDocument.load(pdfFile);
 60                if(pdfFile.length() > 4){
 61                    textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";
 62                }
 61                    textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";
 62                }
 63            }
 58                //如果作为URL装载得到异常则从文件系统装载
 59                document = PDDocument.load(pdfFile);
 60                if(pdfFile.length() > 4){
 61                    textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";
 62                }
 61                    textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";
 62                }
 61                    textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";
 62                }
 63            }
 64            //文件输出流，写入文件到textFile
 65            output = new OutputStreamWriter(new FileOutputStream(textFile),encoding);
 66            //PDFTextStripper来提取文本
 67            PDFTextStripper stripper = new PDFTextStripper();
 68            //设置是否排序
 69            stripper.setSortByPosition(sort);
 70            //设置起始页
 71            stripper.setStartPage(startPage);
 72            //设置结束页
 73            stripper.setEndPage(endPage);
 74            //调用PDFTextStripper的writeText提取并输出文本
 75            stripper.writeText(document, output);
 76        }finally{
 77            if(output != null){
 78                output.close();                
 79            }
 80            if(document != null){
 81                document.close();
 82            }
 83        }
 77            if(output != null){
 78                output.close();                
 79            }
 78                output.close();                
 79            }
 80            if(document != null){
 81                document.close();
 82            }
 81                document.close();
 82            }
 83        }
 77            if(output != null){
 78                output.close();                
 79            }
 78                output.close();                
 79            }
 78                output.close();                
 79            }
 80            if(document != null){
 81                document.close();
 82            }
 81                document.close();
 82            }
 81                document.close();
 82            }
 83        }        
 84    }
 85    
 86    /** *//**
 87     * test Lucene with pdfbox
 88     * @throws IOException
 89     */
 87     * test Lucene with pdfbox
 88     * @throws IOException
 89     */
 87     * test Lucene with pdfbox
 88     * @throws IOException
 89     */
 90    public void LuceneTest() throws IOException{
 91        
 92        String path = "D:\\index";
 93        String pdfpath = "D:\\index\\Lucene.Net基本用法.pdf";
 94        
 95        IndexWriter writer = new IndexWriter(path, new StandardAnalyzer(),true);
 96        //writer.setMaxFieldLength(10240);
 97        //LucenePDFDocument返回由PDF产生的Lucene Document
 98        Document d = LucenePDFDocument.getDocument(new File(pdfpath));
 99        //System.out.println(d);
100        //写入索引
101        writer.addDocument(d);
102        writer.close();
103        
104        //读取d:\index下的索引文件，建立IndexSearcher
105        IndexSearcher searcher = new IndexSearcher(path);
106        //对索引的contents Field进行关键字Query的查找
107        Term t = new Term("contents","优");
 91        
 92        String path = "D:\\index";
 93        String pdfpath = "D:\\index\\Lucene.Net基本用法.pdf";
 94        
 95        IndexWriter writer = new IndexWriter(path, new StandardAnalyzer(),true);
 96        //writer.setMaxFieldLength(10240);
 97        //LucenePDFDocument返回由PDF产生的Lucene Document
 98        Document d = LucenePDFDocument.getDocument(new File(pdfpath));
 99        //System.out.println(d);
100        //写入索引
101        writer.addDocument(d);
102        writer.close();
103        
104        //读取d:\index下的索引文件，建立IndexSearcher
105        IndexSearcher searcher = new IndexSearcher(path);
106        //对索引的contents Field进行关键字Query的查找
107        Term t = new Term("contents","优");
 91        
 92        String path = "D:\\index";
 93        String pdfpath = "D:\\index\\Lucene.Net基本用法.pdf";
 94        
 95        IndexWriter writer = new IndexWriter(path, new StandardAnalyzer(),true);
 96        //writer.setMaxFieldLength(10240);
 97        //LucenePDFDocument返回由PDF产生的Lucene Document
 98        Document d = LucenePDFDocument.getDocument(new File(pdfpath));
 99        //System.out.println(d);
100        //写入索引
101        writer.addDocument(d);
102        writer.close();
103        
104        //读取d:\index下的索引文件，建立IndexSearcher
105        IndexSearcher searcher = new IndexSearcher(path);
106        //对索引的contents Field进行关键字Query的查找
107        Term t = new Term("contents","优");
108        Term m = new Term("contents","化");
109        PhraseQuery q = new PhraseQuery();
110        q.add(t);
111        q.add(m);
112        //Query q = new TermQuery(t);
113        TopDocCollector co = new TopDocCollector(10);
114        searcher.search(q,co);
115        
116        Document document;
117        TopDocs docs = co.topDocs();
118        ScoreDoc[] doc = docs.scoreDocs;
119        //System.out.println(doc.length);
120        
121        for(int i=0;i<doc.length;i++){
122            System.out.println("文档编号：" + doc[i].doc);
123            //document = searcher.doc(doc[i].doc);
124        }
122            System.out.println("文档编号：" + doc[i].doc);
123            //document = searcher.doc(doc[i].doc);
124        }
122            System.out.println("文档编号：" + doc[i].doc);
123            //document = searcher.doc(doc[i].doc);
124        }
125    }
126    /** *//**
127     * @param args
128     */
127     * @param args
128     */
127     * @param args
128     */
129    public static void main(String[] args) {
130        // TODO Auto-generated method stub
131        Test test = new Test();
132        try{
133            //test.getText("D:\\index\\Lucene.Net基本用法.pdf");
134            test.LuceneTest();
135        }catch(Exception e){
136            e.printStackTrace();
137        }
130        // TODO Auto-generated method stub
131        Test test = new Test();
132        try{
133            //test.getText("D:\\index\\Lucene.Net基本用法.pdf");
134            test.LuceneTest();
135        }
133            //test.getText("D:\\index\\Lucene.Net基本用法.pdf");
134            test.LuceneTest();
135        }catch(Exception e){
136            e.printStackTrace();
137        }
136            e.printStackTrace();
137        }
130        // TODO Auto-generated method stub
131        Test test = new Test();
132        try{
133            //test.getText("D:\\index\\Lucene.Net基本用法.pdf");
134            test.LuceneTest();
135        }
133            //test.getText("D:\\index\\Lucene.Net基本用法.pdf");
134            test.LuceneTest();
135        }
133            //test.getText("D:\\index\\Lucene.Net基本用法.pdf");
134            test.LuceneTest();
135        }catch(Exception e){
136            e.printStackTrace();
137        }
136            e.printStackTrace();
137        }
136            e.printStackTrace();
137        }
138    }
139}
140
leftbankMrL
关注
Java 读取PDF文件
07-04
使用Java 读取PDF，利用JFrame和JPanel做成一个窗口，把读取的PDF文本显示到界面
java读取pdf文件内容
热门推荐
hbcui1984的专栏
06-01 2万+
 java读取pdf文件内容         在java中要读取pdf文件内容，我们可以借助第三方软件实现。常用的是xpdf，本文就简单介绍在linux下如何安装xpdf，及在java中如何利用xpdf读取pdf文件内容。一.安装xpdf       在fc系列下，不用安装，可以直接yum，但是笔者建议还是下载安装的好，因为笔者曾经碰到过这样的问题，客户服务器上的xpdf是yum安装的，有
如何用Java读取PDF
最新发布
2401_87189539的博客
05-06 1354
在本文中，我将向您展示如何使用JPedal（一个用于PDF文件的Java库）在Java中读取PDF。
java 读取pdf文件内容
qq_30272167的博客
10-24 9779
java读取pdf文件内容
java 读取PDF文件中的内容
06-21
java 读取PDF文件中的内容 java 读取PDF文件中的内容
使用Java读取PDF文件内容
qq_44221093的博客
10-26 1869
1.引入读取PDF的jar包。2.编写PFD工具类。3.调用工具类实现读取功能。
java读取pdf文件属性
08-08
本文将深入探讨如何使用Java读取PDF文件的属性，如作者、标题等元数据，以及相关的知识点。 ### 一、Java读取PDF文件属性的技术背景 在Java中读取PDF文件属性主要依赖于开源库PDFBox。PDFBox是一个用于处理PDF文档...
Java 读取pdf文件中的数据
11-17
### Java读取PDF文件中的数据 #### 知识点概览 本文将详细介绍如何使用Java语言来读取PDF文件中的文本内容。此方法简洁高效，适用于处理大量的PDF文档。主要涉及的技术栈包括Java编程基础、PDFBox库的使用以及文件I...
Java 读取PDF中的文本和图片的方法
08-25
Java 读取 PDF 中的文本和图片的方法 本文将介绍通过 Java 程序来读取 PDF 文档中的文本和图片的方法。分别调用方法 extractText() 和 extractImages() 来读取，需要的朋友可以参考下。 读取 PDF 文本 在读取 PDF...
java读取pdf文档
qq_42314022的博客
02-27 6872
使用maven引入pdfbox依赖 <dependency> <groupId>org.apache.pdfbox</groupId> <artifactId>pdfbox</artifactId> <version>2.0.1</version> </dependency> <dependency
用Java读取pdf中的数据
03-01
PdfReader 博文链接：https://jackweijie.iteye.com/blog/215503
java读取PDF所需要的包（pdfbox.jar）
05-07
今天用到java读取PDF和WORD文档的，网上找了大把没有看到jar包，找了别人要的包，分享给用的到的人，1分是强制的。。。
java 读取 PDF
05-02
java 读取PDF JAR包 例子 按照里面的例子做，配合提供的JAR包，JAVA操作PDF很简单的说
Java实现PDF读取
qq_492448446的博客
09-21 5560
Java实现PDF读取
java 读取pdf
绯红游侠
11-14 5040
需要pdfbox和log4j的包举个例子：import org.pdfbox.pdfparser.*;import org.pdfbox.util.PDFTextStripper;import java.io.*;/** * 测试pdfbox  * @author kingfish * @version 1.0 */public class TestPdf {  public static voi
使用pdfBox实现读取pdf文件
dengyuanfu7616的博客
04-02 1120
读取pdf需要pdfbox.jar及pdfBox.log4j.jar； 实现代码如下： 1 package com.hksoft.tools; 2 3 import java.io.File; 4 import java.io.FileOutputStream; 5 import java.io.OutputStreamWriter; ...
java 读取PDF
shudj的博客
08-28 284
pom.xml配置 &lt;!-- 读取pdf文件 --&gt; &lt;dependency&gt; &lt;groupId&gt;org.apache.pdfbox&lt;/groupId&gt; &lt;artifactId&gt;pdfbox&lt;/artifactId&gt; &lt;version&gt;
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值