lucene-用xpdf来处理中文pdf文档

xpdf只是一个软件，通过java采用命令行调用，并获取输出结果，如此来说使用简单，但是相当受限，如：无法跨平台，无法处理特定格式（表格等），无法处理图片和其他附件。这种调用必定限制了它的灵活性。

XPDF的配置

1.工具包下载

点这里 下载

我下载的是： xpdf-3.02pl4-win32.zip

另外还需要一个语言包： xpdf-chinese-simplified.tar.gz

2.工作路径设置

参考资料点这里

在本文中以 c:\xpdftest\xpdf 作为xpdf的工作路径。

将 xpdf-3.02p14-win32.zip 解压到 c:\xpdftest\xpdf 下。

将 xpdf-chinese-simplified.tar.gz 解压到 c:\xpdftest\xpdf\xpdf-chinese-simplified 下。

修改配置文件

为了启用中文简体语言包，必须将 xpdf-chinese-simplified 目录下的 sample-xpdfrc 文件进行如下配置，并将其另存为 xpdfrc 文件 。

注意：此文件为配置文件，而且名称必须是 xpdfrc 。如果是别的名字，即使调用 pdftotext.exe 时，传入 ” -cfg xpdfrc2 ” 来告诉 xpdf 配置文件的名字，好像 pdftotext.exe 也并没有使用这个配置文件。所以为了减少误解，请您将配置文件直接命名为 xpdfrc 。

修改 sample-xpdfrc 文件之一

在文件后面 加上一段话 ：

1. cidToUnicode Adobe-GB1 C:/xpdftest/xpdf/xpdf-chinese-simplified/Adobe-GB1.cidToUnicode  
4. unicodeMap ISO-2022-CN C:/xpdftest/xpdf/xpdf-chinese-simplified/ISO-2022-CN.unicodeMap
6. unicodeMap EUC-CN C:/xpdftest/xpdf/xpdf-chinese-simplified/EUC-CN.unicodeMap
8. unicodeMap GBK C:/xpdftest/xpdf/xpdf-chinese-simplified/GBK.unicodeMap  
11. cMapDir Adobe-GB1 C:/xpdftest/xpdf/xpdf-chinese-simplified/CMap
13. toUnicodeDir C:/xpdf/chinese-simplified/CMap
16. #displayCIDFontTT Adobe-GB1 C:\WINDOWS\Font\simhei.ttf  
    

注意：路径要跟自己配置的一样。

修改 sample-xpdfrc 文件之二

另外，配置文件中原先没有加上一个“ textPageBreaks ”控制。为了避免这个分页符号，我们需要在 sample-xpdfrc 文件 “ text output control ”下面 加上一段话 ：

1. # If set to "yes", text extraction will insert page
2. # breaks (form feed characters) between pages. This
3. # defaults to "yes".
4. textPageBreaks no
   

设置 textPageBreaks 为 no 的意思是：在 PDF 文档的两页之间不加入分页符号。 之所以这样，是因为这个符号有时候会引起 SAX 解析 XML 上的困难。

修改 sample-xpdfrc 文件之三

配置文件中原先把 textEncoding 注释了。这样默认的字符集是 Latin1 。我们必须打开它，并且就是指定 textEncoding 为 UTF-8 ，而不是 GB2312 。即修改这句话 ：

textEncoding UTF-8

 

 

 

 

 

7.2.3  提取中文

在工程中新建一个ch7.xpdf包，并创建一个Pdf2Text类。该类采用Runtime传入参数，调用pdftotext.exe来进行文本的提取。其具体实现代码如下。

代码2

public class Pdf2Text {
// PDF文件名
private File pdffile;

// 转换器的存放位置，默认在c:/xpdf下面
private String CONVERTOR_STORED_PATH = "c://xpdf";

// 转换器的名称，默认为pdftotext
private String CONVERTOR_NAME = "pdftotext";

// 构造函数，参数为pdf文件的路径

public Pdf2Text(String pdffile) throws IOException {
  this(new File(pdffile));
}

// 构造函数，参数为pdf文件的对像
public Pdf2Text(File pdffile) throws IOException {
  this.pdffile = pdffile;
}

// 将pdf转为文本文档
public void toTextFile() throws IOException {
  toTextFile(pdffile, true);
}

// 将pdf转为文本文档，参数为目标文件的路径，默认使用PDF文件中的布局
public void toTextFile(String targetfile) throws IOException {
  toTextFile(new File(targetfile), true);
}

// 将pdf转为文本文档，参数1为目标文件的路径，
// 参数2为true则表示使用PDF文件中的布局
public void toTextFile(String targetfile, boolean isLayout)
   throws IOException {
  toTextFile(new File(targetfile), isLayout);
}

// 将pdf转为文本文档，参数为目标文件
public void toTextFile(File targetfile) throws IOException {
  toTextFile(targetfile, true);
}

// 将pdf转为文本文档，参数1为目标文件，
// 参数2为true则表示使用PDF文件中的布局
public void toTextFile(File targetfile, boolean isLayout)
   throws IOException {
  String[] cmd = getCmd(targetfile, isLayout);
  Process p = Runtime.getRuntime().exec(cmd);
}

// 获取PDF转换器的路径
public String getCONVERTOR_STORED_PATH() {
  return CONVERTOR_STORED_PATH;
}

// 设置PDF转换器的路径
public void setCONVERTOR_STORED_PATH(String path) {
  if (!path.trim().endsWith("//"))
   path = path.trim() + "//";
  this.CONVERTOR_STORED_PATH = path;
}

// 解析命令行参数
private String[] getCmd(File targetfile, boolean isLayout) {
  // 命令字符
  String command = CONVERTOR_STORED_PATH + CONVERTOR_NAME;
  // PDF文件的绝对路径
  String source_absolutePath = pdffile.getAbsolutePath();
  // 输出文本文件的绝对路径
  String target_absolutePath = targetfile.getAbsolutePath();
  // 保持原来的layout
  String layout = "-layout";
  // 设置编码方式
  String encoding = "-enc";
  String character = "GBK";
  // 设置不打印任何消息和错误
  String mistake = "-q";
  // 页面之间不加入分页
  String nopagebrk = "-nopgbrk";
  // 如果isLayout为false，则设置不保持原来的layout
  if (!isLayout)
   layout = "";
  return new String[] { command, layout, encoding, character, mistake,
    nopagebrk, source_absolutePath, target_absolutePath };
}
}

该类对外提供一个toTextFile()方法。该方法接收2个参数：targetfile为目标PDF文件，isLayout
表示是否采用原始的PDF文件中的layout布局。类中的getCmd()方法负责解析传进来的参
数，并生成一个String数组。该String数组表示一个操作系统中的命令，其中，各项分别代
表命令后所跟的参数。在获得到该数组后，再调用Runtime.getRuntime().exec(String[])函数
来执行命令。
注意：在getCmd()方法中设置编码方式的时候，用到的是GBK。这并不是对所有的文件都
适用，因为中文的编码方式不只一种，读者可以根据PDF的编码类型选择不同的encoding
方式。所有简体中文的编码方式都定义在文件xpdfrc中的unicodeMap中，现在支持3种编
码方式，分别是ISO-2022-CN，EUC-CN，GBK。

运行效果
下面通过一个函数来测试Pdf2Text类，在ch7.xpdf包中新建一个Pdf2TextTest类，包含一个
main函数，其代码如下。
代码 7.5
public class Pdf2TextTest {
public static void main(String[] args) {
  try {
   // 参数输入PDF文件的存放位置
   Pdf2Text p2t = new Pdf2Text("c://test.pdf");
   // 设定转换器的位置
   p2t.setCONVERTOR_STORED_PATH("c://xpdftest//xpdf");
   // 设置文本文件存放位置
   p2t.toTextFile("c://test.txt");
  } catch (Exception e) {
   e.printStackTrace();
  }
}
}