pdfbox读取pdf文档

wangooo

已于 2023-09-24 20:53:21 修改

阅读量646

点赞数

分类专栏： Java 文章标签： pdf linux

于 2023-09-24 20:45:17 首次发布

本文链接：https://blog.youkuaiyun.com/wangooo/article/details/133249079

版权

Java 专栏收录该内容

31 篇文章

订阅专栏

依赖

<dependency>
    <groupId>org.apache.pdfbox</groupId>
    <artifactId>pdfbox</artifactId>
    <version>1.8.17</version>
</dependency>

1.8版本对应的代码

通过URL获取的PDF文档


URI certUri = UriComponentsBuilder.fromHttpUrl(certUrl).build(true).toUri();
ResponseEntity<byte[]> certEntity = restTemplate.exchange(certUri, HttpMethod.GET, null, byte[].class);
InputStream reportStream = new ByteArrayInputStream(certEntity.getBody());

try {
    // 加载PDF文件
    PDFParser pdfParser = new PDFParser(reportStream);
    pdfParser.parse();
    PDDocument pdDocument = pdfParser.getPDDocument();
    // 读取文本内容
    PDFTextStripper pdfTextStripper = new PDFTextStripper();
    // 设置输出顺序
    pdfTextStripper.setSortByPosition(true);
    // 起始页
    pdfTextStripper.setStartPage(1);
    pdfTextStripper.setEndPage(10);
    // 文本内容
    String text = pdfTextStripper.getText(pdDocument);
    // 换行符截取
    String[] split = text.split("\n");
    for (String s : split) {
        System.out.println("s = " + s);
    }
    pdDocument.close();
} catch (Exception e) {
    e.printStackTrace();
}

2.0版本依赖

<dependency>
    <groupId>org.apache.pdfbox</groupId>
    <artifactId>pdfbox</artifactId>
    <version>2.0.16</version>
</dependency>

2.0版本对应的代码

URI certUri = UriComponentsBuilder.fromHttpUrl(certUrl).build(true).toUri();
ResponseEntity<byte[]> certEntity = restTemplate.exchange(certUri, HttpMethod.GET, null, byte[].class);
InputStream reportStream = new ByteArrayInputStream(certEntity.getBody());

try {
    // 加载PDF文件
    PDFParser pdfParser = new PDFParser(new RandomAccessBufferedFileInputStream(reportStream));
    pdfParser.parse();
    PDDocument pdDocument = pdfParser.getPDDocument();
    // 读取文本内容
    PDFTextStripper pdfTextStripper = new PDFTextStripper();
    // 设置输出顺序
    pdfTextStripper.setSortByPosition(true);
    // 起始页
    pdfTextStripper.setStartPage(1);
    pdfTextStripper.setEndPage(10);
    // 文本内容
    String text = pdfTextStripper.getText(pdDocument);
    // 换行符截取
    String[] split = text.split("\n");
    for (String s : split) {
        System.out.println("s = " + s);
    }
    pdDocument.close();
} catch (Exception e) {
    e.printStackTrace();
}

2.0 与 1.8 版本相比，PDFParser 创建时传的参数类型是不一样的。PDFTextStripper 类的位置也不一样。

https://blog.youkuaiyun.com/weixin_44243466/article/details/118213939

PDFBox - 环境_学习PDFbox|WIKI教程