如何在不打开 PDF 文件的情况下搜索文本

如果您想在 PDF 文件中搜索关键词，而不想手动打开文件，会需要一些第三方库。

在本教程中，我们将使用 Java PDF 库 JPedal 来实现。

 

如何在不打开 PDF 文件的情况下搜索文本

1. 下载 JPedal 的 Jar 文件并添加到您的项目中

下载试用版

2. 调用 API

提取页面上的词语

ExtractTextAsWordList.writeAllWordlistsToDir("inputFileOrDirectory", "outputDir", -1);

可以使用此方法将页面上的词语提取并保存到指定目录中。

提取非结构化文本

ExtractTextInRectangle extract = new ExtractTextInRectangle("inputFile.pdf");

extract.setOutputFormat(OUTPUT_FORMAT.TXT);

if (extract.openPDFFile()) {

    int pageCount = extract.getPageCount();

    for (int page = 1; page <= pageCount; page++) {

        String text = extract.getTextOnPage(page);

    }

}

使用此方法，您可以从 PDF 文件中提取非结构化文本内容。

提取结构化文本

注意：此方法需要 PDF 文件是带标签（Tagged PDF）的。

ExtractStructuredTextProperties properties = new ExtractStructuredTextProperties();

properties.setFileOutputMode(OutputModes.XML);

ExtractStructuredText extract = new ExtractStructuredText("C:/pdfs/mypdf.pdf", properties);

if (extract.openPDFFile()) {

    Document anyStructuredText = extract.getStructuredTextContent();

}

extract.closePDFfile();

此方法可以提取结构化的文本内容并以 XML 的格式输出。

3. 搜索提取的文本内容

一旦提取了文本，您可以通过以下代码在其中搜索关键词：

int index = text.indexOf("Java");

 

本教程展示了如何在不打开 PDF 文件的情况下搜索文本内容。更多信息请访问我们的技术文档！

 

我们的主页：PDF 转 HTML5、Java 图像库、Java PDF SDK - IDRsolutions

我们的公众号：IDRSolutions