Java 解析pdf内容

青旅半醒 2022-06-04 03:42 201阅读 0赞

# Java 解析pdf内容 #

最近遇到一个老师有点小需求，需要读取一些pdf的内容到数据库里面进行检索，因为一直都在合作所以找到了我。  
百度了一下发现在java下解决pdf内容解析的办法也有不少，我选了apache的pdfbox来做pdf的内容解析工作，[pdfbox官网][pdfbox]  
开发环境

> spring boot

先看pom.xml

<?xml version="1.0" encoding="UTF-8"?>
    <project xmlns="http://maven.apache.org/POM/4.0.0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
        <modelVersion>4.0.0</modelVersion>
    
        <groupId>com.pdf</groupId>
        <artifactId>pdf</artifactId>
        <version>0.0.1-SNAPSHOT</version>
        <packaging>jar</packaging>
    
        <name>pdf</name>
        <description>Demo project for Spring Boot</description>
    
        <parent>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-parent</artifactId>
            <version>1.5.8.RELEASE</version>
            <relativePath/> 
        </parent>
    
        <properties>
            <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>
            <project.reporting.outputEncoding>UTF-8</project.reporting.outputEncoding>
            <java.version>1.8</java.version>
        </properties>
    
        <dependencies>
            <dependency>
                <groupId>org.springframework.boot</groupId>
                <artifactId>spring-boot-starter-web</artifactId>
            </dependency>
    
            <dependency>
                <groupId>org.springframework.boot</groupId>
                <artifactId>spring-boot-devtools</artifactId>
                <scope>runtime</scope>
            </dependency>
            <dependency>
                <groupId>org.springframework.boot</groupId>
                <artifactId>spring-boot-starter-test</artifactId>
                <scope>test</scope>
            </dependency>
    
            <dependency>
                <groupId>org.apache.pdfbox</groupId>
                <artifactId>pdfbox</artifactId>
                <version>2.0.4</version>
            </dependency>
            
            <dependency>
                <groupId>org.apache.pdfbox</groupId>
                <artifactId>fontbox</artifactId>
                <version>2.0.8</version>
            </dependency>
    
        </dependencies>
    
        <build>
            <plugins>
                <plugin>
                    <groupId>org.springframework.boot</groupId>
                    <artifactId>spring-boot-maven-plugin</artifactId>
                </plugin>
            </plugins>
        </build>
    
    
    </project>

我做测试的是偶pdfbox最新版本为2.0.4现在可能有更新的版本，自己按照需要进行修改吧。  
我这里做的测试是从pdf解析出文本数据，然后再将解析出来的文本数据保存到一个txt文本，贴代码

@Test
        public void pdfTest() {
            try {
                // 是否排序
                boolean sort = false;
                // 开始提取页数
                int startPage = 1;
                // 结束提取页数
                int endPage = Integer.MAX_VALUE;
                String content = null;
                PrintWriter writer = null;
                //pdf文本路径
                String path = "/home/jacky/upload-dir/test.pdf";
                //输出txt文本路径
                String target="/home/jacky/upload-dir/test.txt";
                PDDocument document = PDDocument.load(new File(path));
                PDFTextStripper pts = new PDFTextStripper();
                endPage = document.getNumberOfPages();
                System.out.println("Total Page: " + endPage);
                pts.setStartPage(startPage);
                pts.setEndPage(endPage);
                try {
                    //content就是从pdf中解析出来的文本
                    content = pts.getText(document);
                    writer = new PrintWriter(new FileOutputStream(target));
                    writer.write(content);// 写入文件内容
                    writer.flush();
                    writer.close();
                } catch (Exception e) {
                    throw e;
                }finally {
                    if (null != document)
                        document.close();
                }
                System.out.println("Get PDF Content ...");
            } catch (Exception e) {
                e.printStackTrace();
            }
        }

这样我们就完成了一个简单的解析pdf文本的测试，但是请注意我这里示例的pdf保存的是文本类型的内容而不是图片形式的文本内容。我这里只是简单的介绍了一下pdfbox读取文本格式的内容，官方的svn代码提供了很多的demo，所以可以checkout一下官方的示例代码

> svn checkout [http://svn.apache.org/repos/asf/pdfbox/trunk/examples][http_svn.apache.org_repos_asf_pdfbox_trunk_examples]

[pdfbox]: https://pdfbox.apache.org/
[http_svn.apache.org_repos_asf_pdfbox_trunk_examples]: http://svn.apache.org/repos/asf/pdfbox/trunk/examples