Java PDFBox 示例 – 从 PDF 中读取文本并提取图像

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。

1. 使用 PDDocument.load 方法加载必须读取的 PDF。
2. 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。
3. 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();
    }		
  }
}