在这篇文章中,我们将看到一个使用 PDFBox 库从 PDF 文档中读取文本的 Java 程序,以及一个使用 PDFBox 库从 PDF 文档中提取图像的 Java 程序。
要了解更多关于 PDFBox 库和 Java 中使用 PDFBox 的 PDF 示例,请查看这篇文章使用 PDFBox 教程在 Java 中生成 PDF
使用 PDFBox 阅读 PDF
要使用 PDFBox 从 PDF 中读取文本,您需要执行以下步骤。
- 使用 PDDocument.load 方法加载必须读取的 PDF。
- 为了使用 PDFBox 从 PDF 中读取文本,使用PDFTextStripper类。此类获取一个 PDF 文档并删除所有文本。
- PDFTextStripper 类的 getText() 方法用于读取 PDF 文档。
import java.io.File;
import java.io.IOException;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
public class ReadPDF {
public static final String CONTENT_PDF = "F://knpcode//result//PDFBox//Content.pdf";
public static void main(String[] args) {
try {
PDDocument document = PDDocument.load(new File(CONTENT_PDF));
PDFTextStripper textStripper = new PDFTextStripper();
// Get total page count of the PDF document
int numberOfPages = document.getNumberOfPages();
//set the first page to be extracted
textStripper.setStartPage(1);
// set the last page to be extracted
textStripper.setEndPage(numberOfPages);
String text = textStripper.getText(document);
System.out.println(text);
document.close();
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
}
}
使用 PDFBox 从 PDF 中提取图像
如果要从 PDF 文档中提取图像,可以使用 PDFBox 库中的PDResources类来完成。使用此类,您可以获得页面级别的所有可用资源。
从这些资源中,您可以检查任何资源是否是图像(可以通过验证资源对象是否为 PDImageXObject 类型来检查)。
import java.io.File;
import java.io.IOException;
import javax.imageio.ImageIO;
import org.apache.pdfbox.cos.COSName;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDResources;
import org.apache.pdfbox.pdmodel.common.PDStream;
import org.apache.pdfbox.pdmodel.graphics.PDXObject;
import org.apache.pdfbox.pdmodel.graphics.image.PDImageXObject;
public class ReadPDF {
public static final String CONTENT_PDF = "F://knpcode//result//PDFBox//Image.pdf";
public static void main(String[] args) {
try {
PDDocument document = PDDocument.load(new File(CONTENT_PDF));
// get resources for a page
PDResources pdResources = document.getPage(0).getResources();
int i = 0;
for(COSName csName : pdResources.getXObjectNames()) {
System.out.println(csName);
PDXObject pdxObject = pdResources.getXObject(csName);
if(pdxObject instanceof PDImageXObject) {
PDStream pdStream = pdxObject.getStream();
PDImageXObject image = new PDImageXObject(pdStream, pdResources);
i++;
// image storage location and image name
File imgFile = new File("F://knpcode//result//PDFBox//img"+i+".png");
ImageIO.write(image.getImage(), "png", imgFile);
}
}
document.close();
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
}
}