JAVA解析pdf文件

最新推荐文章于 2024-04-16 22:06:56 发布
最新推荐文章于 2024-04-16 22:06:56 发布
阅读量3.5k 收藏 13
点赞数 2
文章标签： java pdf
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Kien_tang/article/details/129144207
版权

自己记录一下，方便下次用，判断文件是否为pdf类型，并且解析文件内容
1.需要依赖的包

<dependency>
    <groupId>org.apache.pdfbox</groupId>
    <artifactId>pdfbox</artifactId>
    <version>2.0.19</version>
</dependency>

2.Util类

import lombok.extern.slf4j.Slf4j;
import org.apache.pdfbox.cos.COSName;
import org.apache.pdfbox.io.RandomAccessFile;
import org.apache.pdfbox.pdfparser.PDFParser;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.PDResources;
import org.apache.pdfbox.pdmodel.graphics.image.PDImageXObject;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.text.PDFTextStripperByArea;
import sun.misc.BASE64Decoder;

import javax.imageio.ImageIO;
import java.awt.*;
import java.awt.geom.Rectangle2D;
import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.util.Iterator;

/**
 * 解析PDF文件內容
 * @author: Tang qiqi
 * @create: 2023-02-21 15:11
 * @Description:
 */
@Slf4j
public class PDFParserUtils {
	public static final String PDF = "PDF";

    /**
     * base64文件字符串
     * @param base64Content
     * @return
     */
    public static String parserFileContent(String base64Content, String fileName){
        // 判斷base64字符串內容是否為空
        if(base64Content == null || base64Content.trim().length() == 0) {
            return "";
        }
        
        FileOutputStream fos = null;
        try {
            File tempFile = File.createTempFile(fileName, ".PDF");
            fos = new FileOutputStream(tempFile);
            BASE64Decoder decoder = new BASE64Decoder();
            // Base64解码,对字节数组字符串进行Base64解码并生成文件
            byte[] byt = decoder.decodeBuffer(base64Content);
            for (int i = 0, len = byt.length; i < len; ++i) {
                // 调整异常数据
                if (byt[i] < 0) {
                    byt[i] += 256;
                }
            }
            // 判断文件是否PDF类型，如果不是，直接返回
            String fileType = getFileType(byt);
            if(!PDF.equals(fileType)) {
                log.info("文件格式不是PDF");
                return "";
            }
            fos.write(byt);
            fos.flush();
            fos.close();
            String text = readFile(tempFile);
            tempFile.deleteOnExit();
            return text;
        } catch (Exception e) {
            e.printStackTrace();
        } finally {
            if(fos != null) {
                try {
                    fos.close();
                } catch (IOException e) {
                    e.printStackTrace();
                }
            }
        }
        return "";
    }

    /**
     * 一次獲取整個文件內容
     * @param file 文件
     * @return
     */
    public static String readFile(File file) {
        if(file == null) {
            return "";
        }
        PDDocument doc = null;
        try {
            RandomAccessFile  is = new RandomAccessFile(file, "r");
            PDFParser parser = null;
            parser = new PDFParser(is);
            parser.parse();
            doc = parser.getPDDocument();
            PDFTextStripper textStripper = new PDFTextStripper();
            String content = textStripper.getText(doc);
            doc.close();
            return content;
        } catch (IOException e) {
            e.printStackTrace();
            log.info("解析PDF文件內容異常[{}]", e.getMessage());
        } finally {
            if(doc != null) {
                try {
                    doc.close();
                } catch (IOException e) {
                    e.printStackTrace();
                }
            }
        }
        return "";
    }

    /**
     * 分頁獲取文字內容，並將多頁內容拼接返回
     * @param file 文件
     * @return
     * @throws Exception
     */
    public static String readPage(File file) {
        if(file == null) {
            return "";
        }
        StringBuilder sb = new StringBuilder("");
        PDDocument doc = null;
        try {
            RandomAccessFile is = new RandomAccessFile(file, "r");
            PDFParser parser = new PDFParser(is);
            parser.parse();
            doc = parser.getPDDocument();
            PDFTextStripper textStripper = new PDFTextStripper();
            for (int i = 1; i <= doc.getNumberOfPages(); i++) {
                textStripper.setStartPage(i);
                textStripper.setEndPage(i);
                // 一次输出多个页时，按顺序输出
                textStripper.setSortByPosition(true);
                String s = textStripper.getText(doc);
                sb.append(s);
            }
            doc.close();
        } catch (Exception e) {
            e.printStackTrace();
            log.info("解析PDF文件內容異常[{}]", e.getMessage());
        } finally {
            if(doc != null) {
                try {
                    doc.close();
                } catch (IOException e) {
                    e.printStackTrace();
                }
            }
        }
        return sb.toString();
    }

    /**
     * 读取文本内容和图片
     * @param file 文件路徑
     */
    public static void readTextImage(File file) {
        if(file == null) {
            return;
        }
        PDDocument doc = null;
        try {
            doc = PDDocument.load(file);
            PDFTextStripper textStripper = new PDFTextStripper();
            for (int i = 1; i <= doc.getNumberOfPages(); i++) {
                textStripper.setStartPage(i);
                textStripper.setEndPage(i);
//                String s = textStripper.getText(doc);
                // 读取图片
                PDPage page = doc.getPage(i - 1);
                PDResources resources = page.getResources();
                // 获取页中的对象
                Iterable<COSName> xobjects = resources.getXObjectNames();
                if (xobjects != null) {
                    Iterator<COSName> imageIter = xobjects.iterator();
                    while (imageIter.hasNext()) {
                        COSName cosName = imageIter.next();
                        boolean isImageXObject = resources.isImageXObject(cosName);
                        if (isImageXObject) {
                            // 获取每页资源的图片
                            PDImageXObject ixt = (PDImageXObject) resources.getXObject(cosName);
                            File outputfile = new File("第 " + (i) + " 页" + cosName.getName() + ".jpg");
                            ImageIO.write(ixt.getImage(), "jpg", outputfile);
                        }
                    }
                }
            }
            doc.close();
        } catch (IOException e) {
            e.printStackTrace();
        } finally {
            if(doc != null) {
                try {
                    doc.close();
                } catch (IOException e) {
                    e.printStackTrace();
                }
            }
        }

    }

    /**
     *
     * @param file
     * @param x 指定的x坐标
     * @param y 指定的y坐标
     * @param width 矩形的宽度
     * @param height 矩形的高度
     * @return
     */
    public static String readRectangle(File file, int x, int y, int width, int height){
        if(file == null) {
            return "";
        }
        PDDocument doc = null;
        try {
            doc = PDDocument.load(file);
            // y轴向下为正，x轴向右为正。
            PDFTextStripperByArea stripperByArea = new PDFTextStripperByArea();
            stripperByArea.setSortByPosition(true);
            // 划定区域
            Rectangle2D rect = new Rectangle(x, y, width, height);
            stripperByArea.addRegion("area", rect);
            PDPage page = doc.getPage(1);
            stripperByArea.extractRegions(page);
            // 获取区域的text
            String text = stripperByArea.getTextForRegion("area");
            text = text.trim();
            doc.close();
            return text;
        } catch (IOException e) {
            e.printStackTrace();
        } finally {
            if(doc != null) {
                try {
                    doc.close();
                } catch (IOException e) {
                    e.printStackTrace();
                }
            }
        }
        return "";
    }
	
	/**
     * 根據io流前4個字節，判斷文件類型
     * @param ioBytes
     * @return
     */
    private static String getFileType(byte []ioBytes){
        if(ioBytes == null || ioBytes.length < 4){
            log.error("非正常文件");
            throw new ErrorException("Abnormal image file.");
        }
        byte[] b = new byte[4];
        for(int i = 0; i < 4; i ++){
            b[i] = ioBytes[i];
        }
        String type = bytesToHexString(b).toUpperCase();
        if (type.contains("25504446")){
            return "PDF";
        }else if(type.contains("504B0304")) {
            return "ZIP";
        } else if(type.contains("52617221")){
            return "RAR";
        }
        return "";
    }

    /**
     * byte数组转换成16进制字符串
     * @param src
     * @return
     */
    private static String bytesToHexString(byte[] src){
        StringBuilder stringBuilder = new StringBuilder();
        if (src == null || src.length <= 0) {
            return null;
        }
        for (int i = 0; i < src.length; i++) {
            int v = src[i] & 0xFF;
            String hv = Integer.toHexString(v);
            if (hv.length() < 2) {
                stringBuilder.append(0);
            }
            stringBuilder.append(hv);
        }
        return stringBuilder.toString();
    }
/** 常用文件的文件头如下：
JPEG (jpg)，文件头：FFD8FF
PNG (png)，文件头：89504E47
GIF (gif)，文件头：47494638
TIFF (tif)，文件头：49492A00
Windows Bitmap (bmp)，文件头：424D
CAD (dwg)，文件头：41433130
Adobe Photoshop (psd)，文件头：38425053
Rich Text Format (rtf)，文件头：7B5C727466
XML (xml)，文件头：3C3F786D6C
HTML (html)，文件头：68746D6C3E
Email [thorough only] (eml)，文件头：44656C69766572792D646174653A
Outlook Express (dbx)，文件头：CFAD12FEC5FD746F
Outlook (pst)，文件头：2142444E
MS Word/Excel (xls.or.doc)，文件头：D0CF11E0
MS Access (mdb)，文件头：5374616E64617264204A
WordPerfect (wpd)，文件头：FF575043
Postscript. (eps.or.ps)，文件头：252150532D41646F6265
Adobe Acrobat (pdf)，文件头：255044462D312E
Quicken (qdf)，文件头：AC9EBD8F
Windows Password (pwl)，文件头：E3828596
ZIP Archive (zip)，文件头：504B0304
RAR Archive (rar)，文件头：52617221
Wave (wav)，文件头：57415645
AVI (avi)，文件头：41564920
Real Audio (ram)，文件头：2E7261FD
Real Media (rm)，文件头：2E524D46
MPEG (mpg)，文件头：000001BA
MPEG (mpg)，文件头：000001B3
Quicktime (mov)，文件头：6D6F6F76
Windows Media (asf)，文件头：3026B2758E66CF11
MIDI (mid)，文件头：4D546864
*/	
}
Kien.tang
关注
  • 2
    点赞
  • 踩
  • 13
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
Java生成PDF文件
weixin_34249367的博客
01-06 1080
一、前言 　　最近在做也导出试卷的功能，刚开始是导出为doc，可是导出来格式都有变化，最后说直接将word转为pdf，可是各种不稳定，各种报错、最后想到直接将文件写入pdf(参考:http://www.cnblogs.com/qlqwjy/p/8193281.html)。经一番查找，选定iText--用于生成PDF文档的一个Java类库。   二、iText简介 　　iText是著名的开放...
java解析pdf
01-17
java技术，解析pdf的例子，绝对好使
Java 解析 pdf文件用到的jar包
10-10
Java解析pdf文件用到的jar包 pdfbox-1.7.1.jar和fontbox-1.5.0.jar
Java解析PDF
最新发布
kovce的博客
04-16 1105
因为最近的业务需求设计pdf的解析，所以做了一些相关的学习。首先是来自ChatGPT的回答：要在Java中解析PDF，你可以使用Apache PDFBox库。PDFBox是一个流行的Java库，可以用来创建和解析PDF文件。这个方案是可行的，它利用PDFTextStripper剥离器直接剥离pdf文件，也没有涉及page获取，也算简单方便，但是对于我司的业务而言，涉及的pdf出现了奇怪的问题，解析结果有pdf未显示的内容。
JAVA导出PDF（一）
m0_53098280的博客
12-07 1379
使用freemarker和itext把html转pdf，存在中文乱码，宋体不识别，需下载simsun.ttc字体，空白占位符不识别等等问题，对前端依赖性较大，不推荐；：业务生成的 pdf 是具有固定格式或者模板的文字及其图片等内容，使用模板，只需要将不一致的地方改成文本域，然后进行文字填充就可以了；如果涉及的业务不能有模块化可以提取出来东西，从开头一步一步去绘画。
Java实现PDF文字内容识别，结合OCR实现PDF图片实现
stringjava_001的博客
03-14 1655
PDF识别文字、OCR识别
java解析PDF文件
01-24
java解析PDF格式的文件demo。JAVA实现PDF解析，对PDF文件中的文本内容可输出仅供参考学习，不喜勿喷。
Java解析PDF文件源代码(代码中有详细注释)
10-20
本篇将详细介绍如何使用Java解析PDF文件，并基于提供的源代码进行深入探讨。 首先，Java解析PDF文件通常涉及到以下几个主要库： 1. Apache PDFBox：Apache软件基金会的一个开源项目，提供了Java API来处理PDF文档...
java解析pdf实例
01-11
Java作为多用途的编程语言，提供了一系列库来处理PDF文件，其中之一就是iText和Apache PDFBox。然而，这个实例是关于使用jsoup来解析PDF的，jsoup通常用于HTML解析和提取数据，而PDF解析则不在其常规功能范围内。 *...
java解析pdf.rar
08-19
Java解析PDF文件主要涉及到PDF处理库的使用，例如在本案例中使用了Spire.Pdf.Free.jar这个开源库。Spire.Pdf是一个强大的PDF处理工具，可以用于读取、写入、编辑和转换PDF文档。以下是一些关于如何在Java中使用Spire...
Java 解析 PDF， pdfbox读取PDF内容
03-24
NULL 博文链接：https://snowdymy.iteye.com/blog/1114344
PDFParser实例
08-09
java版读取解析PDF文件内容，实例中自带最新版本PDFBox.jar
使用Java读取PDF文件内容
qq_44221093的博客
10-26 1605
1.引入读取PDF的jar包。2.编写PFD工具类。3.调用工具类实现读取功能。
JAVA识别PDF和OFD电子发票并解析为java对象
Alex的博客
03-01 7038
上一篇我们说了java实现电子发票中的发票税号等信息识别的几种可用方案，最后博主选取了识别文件二维码的方式，而且文章最后也说了，这种有局限性，去到的信息有限，而且针对OFD格式也得继续想办法，那接下来，我们就说一下怎么处理这个问题，并且如何去识别OFD格式的发票文件中的内容
Java 生成各种 PDF 实战方案（图片、模板、表格）
竹林幽深
03-29 3424
本篇文章的重点还是在讲通过java生成pdf，其实如果是单纯的模板填充挺简单的，但是又要填充模板还要动态生成表格就比较麻烦了，因为如果在模板中画表格的框去生成的话，超过模板框的位置就会隐藏，我刚接到需求的时候也是有点难受，在网上也是找了大量的资料，研究了半天，发现好多都是你粘贴我，我粘贴你，最终我也算是搞成了，把这些整合一下，让大家用的好用一些，废话不多说，直接上代码！可以看到，我们在代码中并没有新开一页，只是加了一个间隙，就可以保证动态生成的表格和模板在一个页面，就此，基本上就算完成了。
Java Apache PdfBox 长单页Pdf 转图片模糊解决方案
小雨点的博客
09-21 1090
Using fallback XXX for CID-keyed font STSong-Light，指系统中没有安装STSong-Light字体，pdfbox使用XXX字体来替代，出现方块指替代字体也不存在，需要安装STSong-Light字体。可开Debug查看缺少哪个字体，如果提示STSong-Light字体缺失：No glyph for 20154 (CID 0ca6) in font STSong-Light。
Java：使用Itext读取pdf文本
u012998680的博客
09-30 6217
本文以Java示例展示使用Itext读取pdf文本的方法。
java 解析pdf文件
05-31
要解析 PDF 文件，可以使用 Java 的 PDF 解析库。其中比较常用的是 Apache PDFBox 和 iText。这两个库都可以用来读取 PDF 文件中的文本、图片、表格等内容，并且可以进行修改、创建 PDF 文件等操作。 下面是一个...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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