使用xpdf来处理中文PDF文档

PDFBox看起来非常的方便，它的API功能强大。甚至能和Lucene进行无缝的结合。但是它有一个致命的弱点，就是它不支持中文。要提取中文的文本，可以采用另一个非常出色的工具xpdf。

1  xpdf的下载

读者可以到 http://www.foolabs.com/xpdf/download.html下载最新版本的xpdf。如图1所示。

图1  xpdf的下载页面

本书采用的是xpdf-3.01pl2-win32.zip。另外，还需要下载一个中文包xpdf-chinese-simplified.tar.gz。

2  配置

将xpdf-3.01pl2-win32.zip解压到c:/xpdftest目录下，然后将xpdf-chinese-simplified.tar.gz解压倒c:/xpdftest/xpdf/目录下，解压后的目录结构如图2所示。

图2  Xpdf解压后的目录

打开目录下的xpdfrc文件，编辑文件内容，如下代码所示。

代码1

cidToUnicode    Adobe-GB1       c:/xpdftest/xpdf/xpdf-chinese-simplified/Adobe-GB1.cidToUnicode

unicodeMap      ISO-2022-CN     c:/xpdftest/xpdf/xpdf-chinese-simplified/ISO-2022-CN.unicodeMap

unicodeMap      EUC-CN          c:/xpdftest/xpdf/xpdf-chinese-simplified/EUC-CN.unicodeMap

unicodeMap  GBK     c:/xpdftest/xpdf/xpdf-chinese-simplified/GBK.unicodeMap

cMapDir         Adobe-GB1       c:/xpdftest/xpdf/xpdf-chinese-simplified/CMap

toUnicodeDir                    c:/xpdftest/xpdf/xpdf-chinese-simplified/CMap

fontDir C:/WINDOWS/Fonts

displayCIDFontTT Adobe-GB1 C:/WINDOWS/Fonts/simhei.ttf

textEOL      CR+LF

文件的路径读者可以根据自己的环境改，如在windows 2000下，fontDir所在的位置是C:/WINNT/Fonts，displayCIDFontTT Adobe-GB1的位置是在C:/WINNT/Fonts/simhei.ttf。

7.2.3  提取中文

在工程中新建一个ch7.xpdf包，并创建一个Pdf2Text类。该类采用Runtime传入参数，调用pdftotext.exe来进行文本的提取。其具体实现代码如下。

代码2

public class Pdf2Text {
 // PDF文件名
 private File pdffile;
 
 // 转换器的存放位置，默认在c:/xpdf下面
 private String CONVERTOR_STORED_PATH = "c://xpdf";
 
 // 转换器的名称，默认为pdftotext
 private String CONVERTOR_NAME = "pdftotext";
 
 // 构造函数，参数为pdf文件的路径
 
 public Pdf2Text(String pdffile) throws IOException {
  this(new File(pdffile));
 }
 
 // 构造函数，参数为pdf文件的对像
 public Pdf2Text(File pdffile) throws IOException {
  this.pdffile = pdffile;
 }
 
 // 将pdf转为文本文档
 public void toTextFile() throws IOException {
  toTextFile(pdffile, true);
 }
 
 // 将pdf转为文本文档，参数为目标文件的路径，默认使用PDF文件中的布局
 public void toTextFile(String targetfile) throws IOException {
  toTextFile(new File(targetfile), true);
 }
 
 // 将pdf转为文本文档，参数1为目标文件的路径，
 // 参数2为true则表示使用PDF文件中的布局
 public void toTextFile(String targetfile, boolean isLayout)
   throws IOException {
  toTextFile(new File(targetfile), isLayout);
 }
 
 // 将pdf转为文本文档，参数为目标文件
 public void toTextFile(File targetfile) throws IOException {
  toTextFile(targetfile, true);
 }
 
 // 将pdf转为文本文档，参数1为目标文件，
 // 参数2为true则表示使用PDF文件中的布局
 public void toTextFile(File targetfile, boolean isLayout)
   throws IOException {
  String[] cmd = getCmd(targetfile, isLayout);
  Process p = Runtime.getRuntime().exec(cmd);
 }
 
 // 获取PDF转换器的路径
 public String getCONVERTOR_STORED_PATH() {
  return CONVERTOR_STORED_PATH;
 }
 
 // 设置PDF转换器的路径
 public void setCONVERTOR_STORED_PATH(String path) {
  if (!path.trim().endsWith("//"))
   path = path.trim() + "//";
  this.CONVERTOR_STORED_PATH = path;
 }
 
 // 解析命令行参数
 private String[] getCmd(File targetfile, boolean isLayout) {
  // 命令字符
  String command = CONVERTOR_STORED_PATH + CONVERTOR_NAME;
  // PDF文件的绝对路径
  String source_absolutePath = pdffile.getAbsolutePath();
  // 输出文本文件的绝对路径
  String target_absolutePath = targetfile.getAbsolutePath();
  // 保持原来的layout
  String layout = "-layout";
  // 设置编码方式
  String encoding = "-enc";
  String character = "GBK";
  // 设置不打印任何消息和错误
  String mistake = "-q";
  // 页面之间不加入分页
  String nopagebrk = "-nopgbrk";
  // 如果isLayout为false，则设置不保持原来的layout
  if (!isLayout)
   layout = "";
  return new String[] { command, layout, encoding, character, mistake,
    nopagebrk, source_absolutePath, target_absolutePath };
 }
}

该类对外提供一个toTextFile()方法。该方法接收2个参数：targetfile为目标PDF文件，isLayout
表示是否采用原始的PDF文件中的layout布局。类中的getCmd()方法负责解析传进来的参
数，并生成一个String数组。该String数组表示一个操作系统中的命令，其中，各项分别代
表命令后所跟的参数。在获得到该数组后，再调用Runtime.getRuntime().exec(String[])函数
来执行命令。
注意：在getCmd()方法中设置编码方式的时候，用到的是GBK。这并不是对所有的文件都
适用，因为中文的编码方式不只一种，读者可以根据PDF的编码类型选择不同的encoding
方式。所有简体中文的编码方式都定义在文件xpdfrc中的unicodeMap中，现在支持3种编
码方式，分别是ISO-2022-CN，EUC-CN，GBK。

运行效果
下面通过一个函数来测试Pdf2Text类，在ch7.xpdf包中新建一个Pdf2TextTest类，包含一个
main函数，其代码如下。
代码 7.5
public class Pdf2TextTest {
 public static void main(String[] args) {
  try {
   // 参数输入PDF文件的存放位置
   Pdf2Text p2t = new Pdf2Text("c://test.pdf");
   // 设定转换器的位置
   p2t.setCONVERTOR_STORED_PATH("c://xpdftest//xpdf");
   // 设置文本文件存放位置
   p2t.toTextFile("c://test.txt");
  } catch (Exception e) {
   e.printStackTrace();
  }
 }
}