PDF按行&页读取文字

前言

Apache PDFBox

• Apache PDFBox是一个强大的开源Java库，用于处理PDF文档。它可以读取、创建、修改以及转换PDF文件。使用PDFBox，可以轻松地从PDF中抽取文本内容，包括按行读取、提取表单数据等。

iText

• iText也是Java领域流行的PDF处理库，不仅可以读取PDF，还能生成和修改PDF。尽管它的重点更多在于PDF内容的创作，但它也可以用来提取PDF的文本内容。
• 使用iText读取PDF文本并不像PDFBox那样直接提供现成的方法，通常需要更多的低级别操作。

其他库

• jPod
• PDFsam SDK
• PDFSmartCopy (也是iText的一部分，主要用于复制PDF页面内容)

注意：Apache PDFBox通常是读取pdf文字首选解决方案，因为它对于纯文本内容的提取更为简单直接。如果需要进行更复杂的PDF操作，如表单填写、签名认证等，iText则提供了更多的功能。

pom文件

<dependency>
    <groupId>org.apache.pdfbox</groupId>
    <artifactId>pdfbox</artifactId>
    <version>最新版本号</version>
</dependency>

链接: Maven 中央仓库

代码

Apache PDFBox

1.按行读取

public static List<String> readRowPdf(String pdfUrl){
        // 返回对象
        List<String> result = new ArrayList<>();
             //加载PDF文档
        try (InputStream inputStream = new UrlResource(pdfUrl).getInputStream();
             //创建一个PDDocument对象
             PDDocument pdDocument = PDDocument.load(inputStream)) {
            //创建一个PDFTextStripper对象
            PDFTextStripper stripper = new PDFTextStripper();
            //设置起始页码和结束页码
            stripper.setStartPage(1);
            stripper.setEndPage(pdDocument.getNumberOfPages());
            //将PDF文档的内容提取为一个字符串
            String text = stripper.getText(pdDocument);
            //使用tokenizeToStringArray来分割文本（考虑到Windows/Linux系统的换行符差异）
            String[] split = StringUtils.tokenizeToStringArray(text, "\r\n");
            //添加到返回集合
            result.addAll(Arrays.asList(split));
        } catch (IOException e) {
            log.info("pdf按行读取 失败 原因：{}",e.getMessage());
            return result;
        }
        // 返回数据
        return result;
    }

• 注意： PDF文档的内容可能不是按行排列的，所以按行读取PDF内容可能会出现一些问题。

2.按页读取

/**
     * 传入一个.pdf 地址
     * @param pdfUrl 地址
     * @throws Exception
     */
    public static List<String> readPdf(String pdfUrl) throws Exception {
        // 是否排序
        boolean sort = false;
        // 编码方式
        String encoding = "UTF-8";
        // 开始提取页数
        int startPage = 1;
        // 内存中存储的PDF Document
        PDDocument pdDocument = null;
        //输入流
        InputStream inputStream = null;
        try {
            try {
                // 当作一个URL来装载文件
                URL url = new URL(pdfUrl);
                URLConnection con = url.openConnection();
                con.setConnectTimeout(3 * 1000);
                inputStream = con.getInputStream();
                pdDocument = PDDocument.load(inputStream);
            } catch (MalformedURLException e) {

            }
            // 获取页码
            int endPage = pdDocument.getNumberOfPages();
            PDFTextStripper stripper = null;
            stripper = new PDFTextStripper();
            // 设置是否排序
            stripper.setSortByPosition(sort);

            List<String> texts=new ArrayList<>();
            for (int i = 0; i < endPage; i++) {
                int page=i+1;
                // 设置起始页
                stripper.setStartPage(page);
                // 设置结束页
                stripper.setEndPage(page);
                texts.add(stripper.getText(pdDocument));
            }

            return texts;
        } finally {
            if (inputStream != null) {
                // 关闭输出流
                inputStream.close();
            }
            if (pdDocument != null) {
                // 关闭PDF Document
                pdDocument.close();
            }
        }
    }

iText

• pom

<dependencies>
    <!-- iText 7 Core -->
    <dependency>
        <groupId>com.itextpdf</groupId>
        <artifactId>itext7-core</artifactId>
        <version>7.2.0</version>
    </dependency>

    <!-- 布局和样式 （需要加不需要不加）-->
    <dependency>
        <groupId>com.itextpdf</groupId>
        <artifactId>itext7-layout</artifactId>
        <version>7.2.0</version>
    </dependency>
</dependencies>

import com.itextpdf.kernel.pdf.PdfDocument;
import com.itextpdf.kernel.pdf.PdfReader;
import com.itextpdf.layout.renderer.DocumentRenderer;
import com.itextpdf.layout.text.TextLine;

/**
 * 此方法用于从给定路径的PDF文件中逐行提取文本内容，并将其存储在一个List<String>中返回。
 *
 * @param filePath PDF文件的路径
 * @return 包含PDF文件所有文本行的列表
 * @throws IOException 当读取或处理PDF文件过程中出现IO异常时抛出
 */
public List<String> readPdfWithItext(String filePath) throws IOException {
    List<String> contentLines = new ArrayList<>();
    // 使用try-with-resources语句确保PdfDocument和PdfReader在使用完毕后会被正确关闭
    try (PdfDocument pdfDoc = new PdfDocument(new PdfReader(filePath))) {
        // 创建一个DocumentRenderer对象来渲染PDF页面上的内容
        DocumentRenderer renderer = new DocumentRenderer(pdfDoc);
        // 遍历PDF中的所有页面
        for (int pageNum = 1; pageNum <= pdfDoc.getNumberOfPages(); pageNum++) {
            // 设置当前渲染器处理的页码
            renderer.setPageNumber(pageNum);
            // 循环获取并处理页面上的每一行文本
            while (renderer.hasMoreLines()) {
                // 获取下一行文本
                TextLine line = renderer.getNextLine();
                // 将文本行添加到结果列表中
                contentLines.add(line.getText());
            }
        }
    }
    // 返回结果
    return contentLines;
}