位置:首页 » 文章/教程分享 » java读取pdf总结
1、pdfbox

PDFBox 0.7.3。PDFBox是一个开源的对pdf文件进行操作的库。 PDFBox-0.7.3.jar加入classpath。同时FontBox1.0.jar加入classpath,否则报错:

Exception in thread "main" Java.lang.NoClassDefFoundError: org/fontbox/afm/FontMetric

Caused by: java.lang.ClassNotFoundException: org.fontbox.afm.FontMetric

代码1

import java.io.FileInputStream;  
import java.io.FileNotFoundException;  
import java.io.IOException;  
  
import org.pdfbox.pdfparser.PDFParser;  
import org.pdfbox.pdmodel.PDDocument;  
import org.pdfbox.util.PDFTextStripper;  
  
public class PdfReader {  
    /** 
     * simply reader all the text from a pdf file.  
     * You have to deal with the format of the output text by yourself. 
     * 2008-2-25 
     * @param pdfFilePath file path 
     * @return all text in the pdf file 
     */  
    public static String getTextFromPDF(String pdfFilePath)   
    {  
        String result = null;  
        FileInputStream is = null;  
        PDDocument document = null;  
        try {  
            is = new FileInputStream(pdfFilePath);  
            PDFParser parser = new PDFParser(is);  
            parser.parse();  
            document = parser.getPDDocument();  
            PDFTextStripper stripper = new PDFTextStripper();  
            result = stripper.getText(document);  
        } catch (FileNotFoundException e) {  
            // TODO Auto-generated catch block  
            e.printStackTrace();  
        } catch (IOException e) {  
            // TODO Auto-generated catch block  
            e.printStackTrace();  
        } finally {  
            if (is != null) {  
                try {  
                    is.close();  
                } catch (IOException e) {  
                    // TODO Auto-generated catch block  
                    e.printStackTrace();  
                }  
            }  
            if (document != null) {  
                try {  
                    document.close();  
                } catch (IOException e) {  
                    // TODO Auto-generated catch block  
                    e.printStackTrace();  
                }  
            }  
        }  
        return result;  
    }  
    public  static void main(String[] args)  
    {  
        String str=PdfReader.getTextFromPDF("C:\\Read.pdf");  
        System.out.println(str);  
      
    }  
}  


代码2
import java.io.File;  
import java.io.FileOutputStream;  
import java.io.OutputStreamWriter;  
import java.io.Writer;  
import java.net.MalformedURLException;  
import java.net.URL;  
import org.pdfbox.pdmodel.PDDocument;  
import org.pdfbox.util.PDFTextStripper;  
public class PDFReader {  
 public void readFdf(String file) throws Exception {  
  // 是否排序  
  boolean sort = false;  
  // pdf文件名  
  String pdfFile = file;  
  // 输入文本文件名称  
  String textFile = null;  
  // 编码方式  
  String encoding = "UTF-8";  
  // 开始提取页数  
  int startPage = 1;  
  // 结束提取页数  
  int endPage = Integer.MAX_VALUE;  
  // 文件输入流,生成文本文件  
  Writer output = null;  
  // 内存中存储的PDF Document  
  PDDocument document = null;  
  try {  
   try {  
    // 首先当作一个URL来装载文件,如果得到异常再从本地文件系统//去装载文件  
    URL url = new URL(pdfFile);  
   //注意参数已不是以前版本中的URL.而是File。  
    document = PDDocument.load(pdfFile);  
    // 获取PDF的文件名  
    String fileName = url.getFile();  
    // 以原来PDF的名称来命名新产生的txt文件  
    if (fileName.length() > 4) {  
     File outputFile = new File(fileName.substring(0, fileName  
       .length() - 4)  
       + ".txt");  
     textFile = outputFile.getName();  
    }  
   } catch (MalformedURLException e) {  
    // 如果作为URL装载得到异常则从文件系统装载  
   //注意参数已不是以前版本中的URL.而是File。  
    document = PDDocument.load(pdfFile);  
    if (pdfFile.length() > 4) {  
     textFile = pdfFile.substring(0, pdfFile.length() - 4)  
       + ".txt";  
    }  
   }  
   // 文件输入流,写入文件倒textFile  
   output = new OutputStreamWriter(new FileOutputStream(textFile),  
     encoding);  
   // PDFTextStripper来提取文本  
   PDFTextStripper stripper = null;  
   stripper = new PDFTextStripper();  
   // 设置是否排序  
   stripper.setSortByPosition(sort);  
   // 设置起始页  
   stripper.setStartPage(startPage);  
   // 设置结束页  
   stripper.setEndPage(endPage);  
   // 调用PDFTextStripper的writeText提取并输出文本  
   stripper.writeText(document, output);  
  } finally {  
   if (output != null) {  
    // 关闭输出流  
    output.close();  
   }  
   if (document != null) {  
    // 关闭PDF Document  
    document.close();  
   }  
  }  
 }  
 /** 
  * @param args 
  */  
 public static void main(String[] args) {  
  // TODO Auto-generated method stub  
     PDFReader pdfReader = new PDFReader();  
  try {  
   // 取得E盘下的SpringGuide.pdf的内容  
   pdfReader.readFdf("C:\\Read.pdf");  
  } catch (Exception e) {  
   e.printStackTrace();  
  }  
 }  
}  
2、抽取支持中文的pdf文件-xpdf
xpdf是一个开源项目,我们可以调用他的本地方法来实现抽取中文pdf文件。
下载xpdf函数包:
http://www.java-cn.com/technology/tech_downs/1880_004.zip
同时需要下载支持中文的补丁包:
http://www.java-cn.com/technology/tech_downs/1880_005.zip
按照readme放好中文的patch,就可以开始写调用本地方法的java程序了

下面是一个如何调用的例子:

import java.io.*;  
/** 
* <p>Title: pdf extraction</p> 
* <p>Description: email:chris@matrix.org.cn</p> 
* <p>Copyright: Matrix Copyright (c) 2003</p> 
* <p>Company: Matrix.org.cn</p> 
* @author chris 
* @version 1.0,who use this example pls remain the declare 
*/  
  
  
public class PdfWin {  
public PdfWin() {  
}  
public static void main(String args[]) throws Exception  
{  
String PATH_TO_XPDF="C:Program Filesxpdfpdftotext.exe";  
String filename="c:a.pdf";  
String[] cmd = new String[] { PATH_TO_XPDF, "-enc", "UTF-8", "-q", filename, "-"};  
Process p = Runtime.getRuntime().exec(cmd);  
BufferedInputStream bis = new BufferedInputStream(p.getInputStream());  
InputStreamReader reader = new InputStreamReader(bis, "UTF-8");  
StringWriter out = new StringWriter();  
char [] buf = new char[10000];  
int len;  
while((len = reader.read(buf))>= 0) {  
//out.write(buf, 0, len);  
System.out.println("the length is"+len);  
}  
reader.close();  
String ts=new String(buf);  
System.out.println("the str is"+ts);  
}  
}  

3、iText

iText作为在Java中处理PDF文档的工具被广泛使用,各种开源项目中都比较常见。现在就使用iText提供的API将PDF文档中的文本信息导出为纯文本,虽然现在很多工具中都已经支持这样的操作,这是第一步也算是读取PDF文件最常见的需求。

首先下载iText包,地址为http://sourceforge.net/projects/itext/,最新版本为5.1.2,完整包名为iText-5.1.2.zip,解压后将得到一组jar包,我们要使用的是里面的itextpdf-5.1.2.jar。在本地配置好Java编译和运行环境后,编写如下示例代码:

import java.io.IOException;  
  
import com.itextpdf.text.pdf.PdfReader;  
import com.itextpdf.text.pdf.parser.PdfReaderContentParser;  
import com.itextpdf.text.pdf.parser.SimpleTextExtractionStrategy;  
import com.itextpdf.text.pdf.parser.TextExtractionStrategy;  
  
public class PDFReader {  
  
 /** 
  * @param args 
  * @throws IOException 
  */  
 public static void main(String[] args) throws IOException {  
  System.out.print(getPdfFileText("E:\\test\\plugindoc.pdf"));  
 }  
  
 public static String getPdfFileText(String fileName) throws IOException {  
  PdfReader reader = new PdfReader(fileName);  
  PdfReaderContentParser parser = new PdfReaderContentParser(reader);  
  StringBuffer buff = new StringBuffer();  
  TextExtractionStrategy strategy;  
  for (int i = 1; i <= reader.getNumberOfPages(); i++) {  
   strategy = parser.processContent(i,  
     new SimpleTextExtractionStrategy());  
   buff.append(strategy.getResultantText());  
  }  
  return buff.toString();  
 }  
  
}  
1,2都不能读出目标pdf,其它pdf可以

3.1能够读出目标pdf,但是按页读取的,没法按行读取

代码2 按行读取

仿照iTextsharp
package com.iText.read.pdf;  
  
  
import java.io.IOException;  
import java.util.Arrays;  
  
import com.itextpdf.text.pdf.PdfReader;  
  
public class PdfIO {  
      
      ///<summary>  
    ///读取单个或多个pdf  
    ///</summary>  
    ///<returns>文件内容字符串</returns>  
    @SuppressWarnings("null")  
    public static String readPdf(String fileName) throws IOException  
    {  
  
            PdfReader p = new PdfReader(fileName);  
            //从每一页读出的字符串  
            String str = null;  
            //"[......]"内部字符串  
            String subStr =null;  
            //函数返回的字符串  
            StringBuffer rtBuf=new  StringBuffer();  
              
            String rtStr=null;  
              
            //"[","]","(",")"在字符串中的位置  
            int bg = 0, ed = 0, subbg = 0, subed = 0;  
  
  
  
            //":"前面的字符串  
            String fc =null;  
  
            //":"前面的字符串  
            String bc =null;  
  
            
  
            //取得文档总页数  
            int pg = p.getNumberOfPages();  
  
  
            // ExcelIO ei = new ExcelIO();  
            for (int i = 1; i <= 1; i++)  
            {  
           
  
                bg = 0;  
                ed = 0;  
  
               //Arrays.fill(b, 0);  
                  
              //从每一页读出的8位字节数组  
                byte[] b = new byte[0];  
                //取得第i页的内容  
                b = p.getPageContent(i);  
  
                //下一行是把每一页的取得的字节数据写入一个txt的文件,仅供研究时用  
                //System.IO.File.WriteAllBytes(Application.StartupPath + "//P" + i.ToString() + ".txt", b);  
  
                StringBuilder sb = new StringBuilder();  
  
                //取得每一页的字节数组,将每一个字节转换为字符,并将数组转换为字符串  
                for (int j = 0; j < b.length; j++) sb.append((char)(b[j]));  
                str = sb.toString();  
              
                //return str;  
  
               if (str.indexOf("[") >= 0)  
                {  
  
                    //循环寻找"["和"]",直到找不到"["为止  
                    while (bg > -1)  
                    {  
                        //取得下一个"["和"]"的位置  
                        bg = str.indexOf("[", ed);  
                        ed = str.indexOf("]", bg + 1);  
  
                        //如果没有下一个"["就跳出循环  
                        if (bg == -1) break;  
  
                        //取得一个"[]"里的内容,将开始寻找"("和")"的位置初始为0  
                        subStr = str.substring(bg + 1, ed - bg - 1);  
                        subbg = 0;  
                        subed = 0;  
  
                        //循环寻找下一个"("和")",直到没有下一个"("就跳出循环  
                        while (subbg > -1)  
                        {  
                            //取得下一对"()"的位置  
                            subbg = subStr.indexOf("(", subed);  
                            subed = subStr.indexOf(")", subbg + 1);  
  
                            //如找不到下一对就跳出  
                            if (subbg == -1) break;  
                            //在返回字符串后面加上新找到的字符串  
                            rtStr = subStr.substring(subbg + 1, subed - subbg - 1);  
  
  
  
                        }  
                        rtStr+= rtStr + "|";  
                    }  
                    return rtStr;  
                }  
                else  
                {  
                    //每页的行数  
                    int lineNumber = 0;  
                    while (bg > -1)  
                    {  
                        //取得下一个"("和")"的位置  
                        bg = str.indexOf("(", ed);  
                        ed = str.indexOf(")", bg + 1);  
                        //如果没有下一个"["就跳出循环  
                        if (bg == -1) break;  
                        //每行加个'|'为以后分隔准备,为什么不用"/n/r",因为不需要换行功能  
                        //rtStr += str.substring(bg + 1, ed-1) + "|";  
                          
                        String rtStrTemp = str.substring(bg + 1, ed-1);  
                          
                        rtBuf.append(rtStrTemp);  
                        rtBuf.append("|");  
  
                    }  
                    rtStr=rtBuf.toString();  
                     
  
                }  
                  
  
            }  
            if (p != null)  
            {  
                p.close();  
            }  
      
            return rtStr;   
              
            
    }  
  
}