Java PDFBox从 PDF 文档中提取单词

要从 PDF 文档（从所有页面）中提取单词，我们将覆盖 PDFTextStripper 的 writeText 方法。

org.apache.pdfbox.contentstream 类。PDFTextStripper 去除所有文本。

为了从 PDF 文档中提取提取词，我们将扩展这个 PDFTextStripper 类，拦截并实现 writeString(String str, List<TextPosition> textPositions)方法。

writeString 方法的第一个参数是一行。可以使用单词分隔符将该行拆分为单词。

从 PDF 文档中提取单词的步骤

以下是从 pdf 中提取单词的分步过程：

1.扩展PDFTextStripper

创建一个Java 类并使用 PDFTextStripper 对其进行扩展。

public class GetWordsFromPDF extends PDFTextStripper {   . . . }

2.调用writeText方法

设置页面边界（从第一页到最后一页）以去除文本并调用方法 writeText()。

PDFTextStripper stripper = new GetCharLocationAndSize(); stripper.setSortByPosition( true ); stripper.setStartPage( 0 ); stripper.setEndPage( document.getNumberOfPages() );   Writer dummy = new OutputStreamWriter(new ByteArrayOutputStream()); stripper.writeText(document, dummy);

3.覆盖writeString

writeString 方法接收一行文本作为第一个参数。对 PDF 文档中的每一行文本调用 writeString 方法。

@Override protected void writeString(String string, List<TextPosition> textPositions) throws IOException {     . . . }

4. 获取单词

通过单词分隔符拆分 writeString 方法接收到的字符串。

示例 1 – 从 PDF 中提取单词

在此示例中，我们将获取一个 PDF 文档，并从该 PDF 中提取所有单词。

GetWordsFromPDF.java

import org.apache.pdfbox.pdmodel.PDDocument; import org.apache.pdfbox.text.PDFTextStripper; import org.apache.pdfbox.text.TextPosition;    import java.io.ByteArrayOutputStream; import java.io.File; import java.io.IOException; import java.io.OutputStreamWriter; import java.io.Writer; import java.util.ArrayList; import java.util.List;    /** * This is an example on how to extract words from PDF document */ public class GetWordsFromPDF extends PDFTextStripper {           static List<String> words = new ArrayList<String>();        public GetWordsFromPDF() throws IOException {     }        /**      * @throws IOException If there is an error parsing the document.      */     public static void main( String[] args ) throws IOException {         PDDocument document = null;         String fileName = "apache.pdf"; // replace with your PDF file name         try {             document = PDDocument.load( new File(fileName) );             PDFTextStripper stripper = new GetWordsFromPDF();             stripper.setSortByPosition( true );             stripper.setStartPage( 0 );             stripper.setEndPage( document.getNumberOfPages() );                Writer dummy = new OutputStreamWriter(new ByteArrayOutputStream());             stripper.writeText(document, dummy);                           // print words             for(String word:words){                 System.out.println(word);             }         }         finally {             if( document != null ) {                 document.close();             }         }     }        /**      * Override the default functionality of PDFTextStripper.writeString()      */     @Override     protected void writeString(String str, List<TextPosition> textPositions) throws IOException {         String[] wordsInStream = str.split(getWordSeparator());         if(wordsInStream!=null){             for(String word :wordsInStream){                 words.add(word);             }         }     } }

输出

2017-8-6 Welcome to The Apache Software Foundation! Custom Search The Apache Way (/foundation/governance/)   (Donating to The Apache Software Foundation)

如果您想使用相同的 PDF 文件，请在此处下载 PDF 文档apache.pdf 。否则，您可以fileName在 Java 程序中指定 PDF 文件路径。

结论

在这个Apache PDFBox 教程中，我们学习了从 PDF 中提取单词。您还可以参考PDF 中字符的提取坐标或位置。