java 读取pdf文件内容

已于 2024-04-29 17:06:38 修改
阅读量9.6k 收藏 21
点赞数 3
分类专栏： 功能模块 文章标签： 1024程序员节 笔记
于 2023-10-24 19:10:33 首次发布
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/qq_30272167/article/details/134019256
版权

方式一

1、引入maven

<dependency>
    <groupId>org.apache.pdfbox</groupId>
    <artifactId>pdfbox</artifactId>
    <version>2.0.25</version>
</dependency>

2、代码工具类

//import com.itextpdf.text.pdf.PdfReader;
//import com.itextpdf.text.pdf.parser.PdfTextExtractor;
//import com.itextpdf.text.pdf.parser.SimpleTextExtractionStrategy;

import com.google.common.collect.Lists;
import com.jiayou.peis.entity.ImageObject;
import org.apache.commons.io.FileUtils;
import org.apache.pdfbox.Loader;
import org.apache.pdfbox.cos.COSName;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDResources;
import org.apache.pdfbox.pdmodel.common.PDStream;
import org.apache.pdfbox.pdmodel.graphics.PDXObject;
import org.apache.pdfbox.pdmodel.graphics.image.PDImage;
import org.apache.pdfbox.pdmodel.graphics.image.PDImageXObject;
import org.apache.pdfbox.text.PDFTextStripper;

import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.*;
import java.util.ArrayList;
import java.util.List;

/**
 * PDF处理
 *
 */
public class PdfUtils {
    //    /**
//     * 使用itextpdf提取PDF文本（解析不靠谱）
//     *
//     * @param inputStream
//     * @return
//     * @throws IOException
//     */
//    @Deprecated
//    public static String toText(InputStream inputStream) throws IOException {
//        try {
//            StringBuilder buf = new StringBuilder();
//            PdfReader reader = new PdfReader(inputStream);
//            int pageNum = reader.getNumberOfPages();
//            for(int i=1;i<=pageNum;i++){
//                // 读取第i页的文档内容
//                buf.append(PdfTextExtractor.getTextFromPage(reader, i, new SimpleTextExtractionStrategy()));
//            }
            return buf.toString();
//            return StrUtils.removeReturnChar(buf.toString());
//        } finally {
//            CloseUtils.closeQuietly(inputStream);
//        }
//    }
    public static String text(byte[] data) throws IOException {
        return PdfUtils.text(data, true);
    }
    public static String text(byte[] data, boolean sortByPosition) throws IOException {
        ByteArrayInputStream inputStream = new ByteArrayInputStream(data);
        return PdfUtils.text(inputStream, sortByPosition);
    }
    /**
     * 使用pdfbox提取PDF文本（解析正常，可使用）
     *
     * @param file
     * @return
     * @throws IOException
     */
    public static String text(File file, boolean sortByPosition) throws IOException {
        InputStream inputStream = new FileInputStream(file);
        return PdfUtils.text(inputStream, sortByPosition);
    }
    public static String text(File file) throws IOException {
        return PdfUtils.text(file, true);
    }
    public static String text(InputStream inputStream) throws IOException {
        return text(inputStream, true);
    }
    /**
     * 使用pdfbox提取PDF文本（解析正常，可使用）
     *
     * @param inputStream
     * @return
     * @throws IOException
     */
    public static String text(InputStream inputStream, boolean sortByPosition) throws IOException {
        PDDocument document = null;
        try {
//            document = PDDocument.load(inputStream);
            document = Loader.loadPDF(inputStream);
            PDFTextStripper textStripper = new PDFTextStripper();
            // Get total page count of the PDF document
            int numberOfPages = document.getNumberOfPages();
            //set the first page to be extracted
            textStripper.setStartPage(1);
            // set the last page to be extracted
            textStripper.setEndPage(numberOfPages);
            // 获取文本内容
            textStripper.setSortByPosition(sortByPosition);
            textStripper.setShouldSeparateByBeads(true);
            return StrUtils.removeReturnChar(textStripper.getText(document));
        } finally {
            CloseUtils.closeQuietly(document, inputStream);
        }
    }

    /**
     * 使用pdfbox提取PDF文本（解析正常，可使用）
     *
     * @param file
     * @return
     * @throws IOException
     */
    public static List<ImageObject> images(File file) throws IOException {
        InputStream inputStream = new FileInputStream(file);
        return PdfUtils.images(inputStream);
    }

    public static List<ImageObject> images(byte[] data) throws IOException {
        ByteArrayInputStream inputStream = null;
        try {
            inputStream = new ByteArrayInputStream(data);
            return PdfUtils.images(inputStream);
        } finally {
            CloseUtils.closeQuietly(inputStream);
        }
    }

    /**
     * 使用pdfbox提取PDF图片列表
     *
     * @param inputStream
     * @return
     * @throws IOException
     */
    public static List<ImageObject> images(InputStream inputStream) throws IOException {
        List<ImageObject> imageList = Lists.newArrayList();
        PDDocument document = null;
        try {
//            document = PDDocument.load(inputStream);
            document = Loader.loadPDF(inputStream);
            // get resources for a page
            PDResources pdResources = document.getPage(0).getResources();
            int i = 0;
            for (COSName csName : pdResources.getXObjectNames()) {
//                System.out.println(i+":"+csName);
                PDXObject pdxObject = pdResources.getXObject(csName);
                if (pdxObject instanceof PDImageXObject) {
//                    i++;
                    PDStream pdStream = pdxObject.getStream();
                    PDImageXObject image = new PDImageXObject(pdStream, pdResources);
                    String imageSuffix = imageSuffix(image);
                    // image storage location and image name
                    BufferedImage bufferedImage = image.getImage();
                    ImageObject object = new ImageObject();
                    object.setIndex(i++);
                    object.setImage(bufferedImage);
                    object.setSuffix(imageSuffix);
                    imageList.add(object);
                }
            }
        } finally {
            CloseUtils.closeQuietly(document, inputStream);
        }
        return imageList;
    }

    /**
     * 获取图片后缀
     *
     * @param pdImage
     * @return
     * @throws IOException
     */
    private static String imageSuffix(PDImageXObject pdImage) throws IOException {
        String suffix = pdImage.getSuffix();
        if (suffix == null || "jb2".equals(suffix)) {
            suffix = "png";
        } else if ("jpx".equals(suffix)) {
            // use jp2 suffix for file because jpx not known by windows
            suffix = "jp2";
        }

        if (hasMasks(pdImage)) {
            // TIKA-3040, PDFBOX-4771: can't save ARGB as JPEG
            suffix = "png";
        }
        return suffix;
    }

    private static boolean hasMasks(PDImage pdImage) throws IOException {
        if (pdImage instanceof PDImageXObject) {
            PDImageXObject ximg = (PDImageXObject) pdImage;
            return ximg.getMask() != null || ximg.getSoftMask() != null;
        }
        return false;
    }

    /**
     * 保存图片到指定文件夹
     *
     * @param imageList
     * @param dir
     * @param prefixName
     * @throws IOException
     */
    public static void saveImage(List<ImageObject> imageList, String dir, String prefixName) throws IOException {
        File imgDir = new File(dir);
        FileUtils.forceMkdir(imgDir);
        for(ImageObject image:imageList){
            File imgFile = new File(dir, prefixName+"_"+image.getIndex()+"."+image.getSuffix());
            ImageIO.write(image.getImage(), image.getSuffix(), imgFile);
        }
    }
}

3、相关代码

CloseUtils

import java.io.Closeable;
import java.util.zip.ZipInputStream;

/**
 * 关闭文件流
 */
public class CloseUtils {

    /**
     * 关闭文件流
     *
     * @param closeables
     */
    public static void closeQuietly(Closeable... closeables) {
        if (closeables != null && closeables.length > 0) {

            for (Closeable closeable : closeables) {

                if (closeable != null) {
                    try {
                        closeable.close();
                    } catch (Exception e) {}
                }
            }
        }
    }

    public static void closeEntryQuietly(ZipInputStream... closeables) {
        if (closeables != null && closeables.length > 0) {
            for (ZipInputStream closeable : closeables) {
                if (closeable != null) {
                    try {
                        closeable.closeEntry();
                    } catch (Exception e) { }
                }
            }
        }
    }
}

StrUtils

import cn.hutool.core.util.StrUtil;
import com.google.common.collect.Lists;
import org.apache.commons.lang3.StringUtils;

import java.util.Arrays;
import java.util.List;
import java.util.stream.Collectors;

/**
 *
 */
public class StrUtils {
    /**
     *
     * @param text
     * @return
     */
    public static List<String> lines(String text){
        if(text == null || text.isEmpty()){
            return null;
        }
        return Lists.newArrayList(text.split("\n+"));
    }
    /**
     *
     * @param text
     * @param lineIndex
     * @return
     */
    public static String splitAt(String text, int lineIndex){
        if(text == null || text.isEmpty()){
            return null;
        }
        String[] lines = text.split("\\s+");
        return lines.length > lineIndex ? lines[lineIndex] : null;
    }
    /**
     * 读取某行的数据
     *
     * @param text
     * @param lineIndex 0 开始
     * @return
     */
    public static String lineAt(String text, int lineIndex){
        if(text == null || text.isEmpty()){
            return null;
        }
        String[] lines = text.split("\r?\n");
        return lines.length > lineIndex ? lines[lineIndex] : null;
    }
    /**
     *
     *
     * @param text
     * @param startFlag 最后开始第一个
     * @param closeFlag 最后开始第一个
     * @return
     */
    public static String substringBetween(String text, String startFlag, String closeFlag, String subType){
        return substringBetween(text, startFlag, closeFlag, subType, null);
    }
    /**
     *
     *
     * @param text
     * @param startFlag 最后开始第一个
     * @param closeFlag 最后开始第一个
     * @return
     */
    public static String substringBetween(String text, String startFlag, String closeFlag, String subType, String defaultVal){
        if(StringUtils.isEmpty(text)){
            return defaultVal;
        }
        if("substringBetween".equals(subType)){
            if(StringUtils.isNotEmpty(startFlag) && StringUtils.isNotEmpty(closeFlag)){
                return StrUtils.substringBetween(text, startFlag, closeFlag);
            }
        } else if("substringBetweenLast".equals(subType)){
            if(StringUtils.isNotEmpty(startFlag) && StringUtils.isNotEmpty(closeFlag)){
                return StrUtils.substringBetweenLast(text, startFlag, closeFlag);
            }
        } else if("substringBetweenLastBefore".equals(subType)){
            if(StringUtils.isNotEmpty(startFlag) && StringUtils.isNotEmpty(closeFlag)){
                return StrUtils.substringBetweenLastBefore(text, startFlag, closeFlag);
            }
        } else if("substringBetweenBeforeLast".equals(subType)){
            if(StringUtils.isNotEmpty(startFlag) && StringUtils.isNotEmpty(closeFlag)){
                return StrUtils.substringBetweenBeforeLast(text, startFlag, closeFlag);
            }
        } else if("substringAfter".equals(subType)){
            if(StringUtils.isNotEmpty(startFlag)){
                return StringUtils.substringAfter(text, startFlag);
            }
        } else if("substringAfterLast".equals(subType)){
            if(StringUtils.isNotEmpty(startFlag)){
                return StringUtils.substringAfterLast(text, startFlag);
            }
        } else if("substringBefore".equals(subType)){
            if(StringUtils.isNotEmpty(closeFlag)){
                return StringUtils.substringBefore(text, closeFlag);
            }
        } else if("substringBeforeLast".equals(subType)){
            if(StringUtils.isNotEmpty(closeFlag)){
                return StringUtils.substringBeforeLast(text, closeFlag);
            }
        }
        return defaultVal;
    }
    /**
     *
     * @param text
     * @param startFlag 前面开始第一个
     * @param closeFlag 前面开始第一个
     * @return
     */
    public static String substringBetween(String text, String startFlag, String closeFlag){
        if(text == null || text.isEmpty()){
            return null;
        }
        int startIndex = text.indexOf(startFlag);
        int endIndex   = text.indexOf(closeFlag);
        if(startIndex >= 0 && endIndex >= 0 && endIndex >= startIndex){
            return text.substring(startIndex+startFlag.length(), endIndex);
        }
        return null;
    }

    public static String substringBetween(String text, String startFlag){
        if(text == null || text.isEmpty()){
            return null;
        }
        int startIndex = text.indexOf(startFlag);
        if(startIndex >= 0 && startIndex != -1){
            return text.substring(startIndex + startFlag.length());
        }
        return null;
    }

    /**
     *
     *
     * @param text
     * @param startFlag 最后开始第一个
     * @param closeFlag 最后开始第一个
     * @return
     */
    public static String substringBetweenLast(String text, String startFlag, String closeFlag){
        if(text == null || text.isEmpty()){
            return null;
        }
        int startIndex = text.lastIndexOf(startFlag);
        int endIndex   = text.lastIndexOf(closeFlag);
        if(startIndex >= 0 && endIndex >= 0 && endIndex >= startIndex){
            return text.substring(startIndex+startFlag.length(), endIndex);
        }
        return null;
    }

    /**
     *
     *
     * @param text
     * @param startFlag 最后开始第一个
     * @param closeFlag 前面开始第一个
     * @return
     */
    public static String substringBetweenLastBefore(String text, String startFlag, String closeFlag){
        if(text == null || text.isEmpty()){
            return null;
        }
        int startIndex = text.lastIndexOf(startFlag);
        int endIndex   = text.indexOf(closeFlag);
        if(startIndex >= 0 && endIndex >= 0 && endIndex >= startIndex){
            return text.substring(startIndex+startFlag.length(), endIndex);
        }
        return null;
    }

    /**
     *
     * @param text
     * @param startFlag 前面开始第一个
     * @param closeFlag 最后开始第一个
     * @return
     */
    public static String substringBetweenBeforeLast(String text, String startFlag, String closeFlag){
        if(text == null || text.isEmpty()){
            return null;
        }
        int startIndex = text.indexOf(startFlag);
        int endIndex   = text.lastIndexOf(closeFlag);
        if(startIndex >= 0 && endIndex >= 0 && endIndex >= startIndex){
            return text.substring(startIndex+startFlag.length(), endIndex);
        }
        return null;
    }

    /**
     * Null转换成空
     *
     * @param val
     * @return
     */
    public static String nullToEmpty(String val){
        return val == null ? "" : val;
    }

    /**
     * 删除回车键
     *  回车Carriage Return
     *
     * @param val
     * @return
     */
    public static String removeReturnChar(String val){
        return val == null ? "" : val.replace("\r", "");
    }


    public static String getLastNotNullText(String[] array){
        List<String> collect = Arrays.stream(array).filter(x -> StrUtil.isNotBlank(x)).collect(Collectors.toList());
        return collect.get(collect.size() - 1);
    }
    public static String getFirstNotNullText(String[] array){
        List<String> collect = Arrays.stream(array).filter(x -> StrUtil.isNotBlank(x)).collect(Collectors.toList());
        return collect.get(0);
    }

}

方式二

https://blog.youkuaiyun.com/ThinkPet/article/details/131256428

使用Java 读取PDF表格数据并保存到TXT或Excel
nuclear2011的博客
05-27 3824
本文介绍了如何使用Java获取PDF表格数据并保存到TXT和Excel文件。包含详细的代码示例及步骤介绍。
java 读取PDF文件内容进行替换
weixin_43127328的博客
11-03 3171
java 读取PDF文件内容进行替换
Java 使用 pdfbox 读取 PDF文件中的文本
jesionsly的专栏
06-21 2108
下面我们直接使用pdf取得PDF文件中的文本，代码如下 import java.io.FileInputStream; import java.io.FileNotFoundException; import java.io.IOException; import java.io.InputStream; import org.apache.pdfbox.pdmodel.PDDocument
使用 Java 提取 PDF 中的文字
最新发布
2401_89793006的博客
03-23 856
方法适用场景主要特点普通 PDF轻量、易用，适用于大部分 PDFiText复杂格式 PDF功能强大，适合更复杂的文本解析扫描版 PDF需要 OCR 识别，适用于无文本层的 PDF推荐选择：普通文本 PDF：使用PDFBox或iText。复杂格式 PDF：推荐iText。扫描版 PDF：使用进行识别。通过上述方法，你可以根据不同的 PDF 类型选择合适的方式来提取文本。如果有任何问题或改进建议，欢迎留言交流！🚀。
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
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
用Java读取pdf中的数据
weixin_34235371的博客
07-15 655
用Java简单的读取pdf文件中的数据： 第一步：下载PDFBox-0.7.2.jar。提供一个下载地址：[url]http://pdfhome.hope.com.cn/Resource.aspx?CID=63844604-5253-4ae1-b023-258c9e324061&RID=20cd8f94-1cee-40b6-a3df-0ef024f8e0d2[/ur...
使用Java读取PDF文件内容
qq_44221093的博客
10-26 1854
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
07-04
在Java编程环境中，读取PDF文件是一项常见的任务，特别是在开发桌面应用或需要处理PDF文档内容时。本篇文章将深入探讨如何使用Java来读取PDF文件，并将其内容展示在一个由JFrame和JPanel构建的GUI窗口中。 首先，...
java读取pdf的文字、图片、线条和对应坐标
08-16
pdf文档的内容都是坐标定位的，文档内容主要包含文本、图片、线条；需要用到pdfbox和pdf2dom两个依赖包
Java 读取pdf文件中的数据
11-17
Java简单的读取pdf文件中的数据,简单、实用。
Java 解析 PDF， pdfbox读取PDF内容
03-24
NULL 博文链接：https://snowdymy.iteye.com/blog/1114344
java获取pdf文件内容
07-14
这里包含了一个FontBox-0.1.0.jar和pdfbox-0.7.3.jar两个jar包，还有一个PdfReader.java文件，很简单，建立一个java工程，把这2个jar包和java类放到工程下面。把main方法里面的pdf文件路径改下，最后右击执行java类就OK了！ 目前无法批量执行！需要进一步优化！
java读取pdf_Java读取PDF文字内容的方法
weixin_34489089的博客
02-12 5386
/*** PdfboxUtil.java* Create on 2015-1-5*/package charlie.utils.pdf;import java.io.BufferedWriter;import java.io.File;import java.io.FileInputStream;import java.io.FileWriter;import java.io.InputStrea...
Java读取PDF文档中的文字、图片、线条及对应坐标
gitblog_09785的博客
09-06 2084
Java读取PDF文档中的文字、图片、线条及对应坐标 项目地址:https://gitcode.com/open-source-toolkit/be764 简介 本项目提供了一个Java工具，用于读取PDF文档中的文字、图片、线条及其对应的坐标信息。通过使用pdfbox和pdf2dom两个依赖包，我们可以解析PDF文档并提取出所需的内容。 功能特点 文字提取：从PDF文档中提取出所有文本内容，并...
Java读取PDF文字内容的方法
CharlieChen的专栏
01-05 2714
最后编辑时间 ：2015-01-0517:30 方法一：PDFBox （一个BSD许可下的源码开放项目）是一个为开发人员读取和创建PDF文档而准备的纯Java类库。它提供如下特性： 提取文本，包括Unicode字符。和Jakarta Lucene等文本搜索引擎的整合过程十分简单。加密/解密PDF文档。从PDF和XFDF格式中导入或导出表单数据。向已有PDF文档中追加内容。将一个PDF文档...
java 读取pdf的内容
weixin_33961829的博客
10-12 261
2019独角兽企业重金招聘Python工程师标准>>> ...
JAVA读取PDF文件内容
04-04
Java可以使用Apache PDFBox库来读取PDF文件内容。 以下是一个简单的示例，演示如何使用PDFBox库来读取PDF文件内容： ```java import java.io.File; import java.io.IOException; import org.apache.pdfbox.pdmodel.PDDocument; import org.apache.pdfbox.text.PDFTextStripper; public class ReadPDF { public static void main(String[] args) { try { // 创建一个PDDocument对象 PDDocument document = PDDocument.load(new File("example.pdf")); // 创建一个PDFTextStripper对象 PDFTextStripper stripper = new PDFTextStripper(); // 获取PDF文件内容 String content = stripper.getText(document); // 输出PDF文件内容 System.out.println(content); // 关闭PDDocument对象 document.close(); } catch (IOException e) { e.printStackTrace(); } } } ``` 上述代码将读取名为“example.pdf”的PDF文件，并将其内容输出到控制台。PDFTextStripper类提供了许多方法，可以使用这些方法来获取PDF文件的各种属性，例如标题、作者、创建日期等。
评论 4
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