java 获取pdf内容

1. 说明

将pdf中的文字读取处理还有一些限制:1. 文档的安全属性不能过于严格 2. 不能存在图片。

2. 直接贴相关的源码

有两种读取方式,maven对应的pom文件

<dependencies>
    <dependency>
        <groupId>org.apache.pdfbox</groupId>
        <artifactId>pdfbox</artifactId>
        <version>1.8.8</version>
    </dependency>
    <dependency>
        <groupId>com.itextpdf</groupId>
        <artifactId>itextpdf</artifactId>
        <version>5.0.6</version>
    </dependency>
  </dependencies>

2.1 pdfbox

/**
 * PdfboxUtil.java
 */
package com.hsm.pdfTest;
 
import java.io.BufferedWriter;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileWriter;
import java.io.InputStream;
 
import org.apache.pdfbox.pdfparser.PDFParser;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.util.PDFTextStripper;
 
/**
 * @author hsm
 */
public class PdfboxUtil {
    private static String PDFPATH = "D:/Maven权威指南中文版.pdf";
    private static String FILEPATH = "D:/Maven权威指南中文版.doc";
    public static void main(String[] args) throws Exception {
        String content=getPdfContent(PDFPATH);
        toFile(content,FILEPATH);
    }
    /**
     * 获取pdf的内容<br/>
     * @param pdfPath
     * @return
     * @throws Exception 
     */
    private static String getPdfContent(String pdfPath) throws Exception {
        boolean sort = false;// 是否排序
        int startPage = 1;// 开始提取页数
        int endPage = Integer.MAX_VALUE;   // 结束提取页数 
        String content = null;//暂时存放pdf内容
        
        InputStream input = null;
        File pdfFile = new File(pdfPath);
        PDDocument document = null;
        try {
            input = new FileInputStream(pdfFile);
            // 加载 pdf 文档
            PDFParser parser = new PDFParser(input);
            parser.parse();
            document = parser.getPDDocument();
            // 获取内容信息
            PDFTextStripper pts = new PDFTextStripper();
            pts.setSortByPosition(sort);
            endPage = document.getNumberOfPages();
            System.out.println("Total Page: " + endPage);
            pts.setStartPage(startPage);
            pts.setEndPage(endPage);
            try {
                content = pts.getText(document);
            }catch(Exception e) {
                throw e;
            }
            System.out.println("Get PDF Content ...");
      }catch(Exception e){
         throw e;
      } finally {
         if (null != input)
            input.close();
         if (null != document)
            document.close();
      }
      return content;
    }
    private static void toFile(String content,String filePath) {
         try {
             File f = new File(filePath);
             if (!f.exists()) {
                f.createNewFile();
             }
             System.out.println("Write PDF Content to txt file ...");
             BufferedWriter output = new BufferedWriter(new FileWriter(f));
             output.write(content);
             output.close();
          } catch (Exception e) {
             e.printStackTrace();
          }
    }
}

2.2 itext

package com.hsm.pdfTest;
 
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.PrintWriter;
import com.itextpdf.text.pdf.PdfReader;
import com.itextpdf.text.pdf.parser.PdfReaderContentParser;
import com.itextpdf.text.pdf.parser.PdfTextExtractor;
import com.itextpdf.text.pdf.parser.SimpleTextExtractionStrategy;
import com.itextpdf.text.pdf.parser.TextExtractionStrategy;
/**
 * @author hsm
 */
public class ItextpdfUtil {
    private static String PDFPATH = "D:/Maven权威指南中文版.pdf";
    private static String FILEPATH = "D:/Maven权威指南中文版.doc";
    public static void main(String[] args)  {
        String content=getPdfContent(PDFPATH);
        System.out.println(content);
        
        toFile(PDFPATH,FILEPATH);
    }
    /**
     * 获取pdf的内容
     * @param pdfPath
     * @return
     */
    private static String getPdfContent(String pdfPath) {
        PdfReader reader = null;
        StringBuffer buff = new StringBuffer();
        try {
            reader = new PdfReader(pdfPath);
            PdfReaderContentParser parser = new PdfReaderContentParser(reader);
            int num = reader.getNumberOfPages();// 获得页数
            TextExtractionStrategy strategy;
            for (int i = 1; i <= num; i++) {
               strategy = parser.processContent(i,
                      new SimpleTextExtractionStrategy());
               buff.append(strategy.getResultantText());
            }
         } catch (IOException e) {
            e.printStackTrace();
         } 
       return buff.toString();
    }
    /**
     * 将对应的pdf文件读到指定的文件中
     * @param pdfPath
     * @param filePath
     */
    private static void toFile(String pdfPath, String filePath) {
        PrintWriter writer = null;
        PdfReader reader = null;
        try {
            writer = new PrintWriter(new FileOutputStream(filePath));
            reader = new PdfReader(pdfPath);
            int num = reader.getNumberOfPages();// 获得页数
            System.out.println("Total Page: " + num);
            StringBuffer content = new StringBuffer(""); // 存放读取出的文档内容
            for (int i = 1; i <= num; i++) {
                // 读取第i页的文档内容
                content.append(PdfTextExtractor.getTextFromPage(reader, i));
            }
            writer.write(content.toString());// 写入文件内容
            writer.flush();
            writer.close();
        } catch (IOException e) {
            e.printStackTrace();
        }
    }
}

转载于:https://www.cnblogs.com/steven158/p/7656577.html

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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