Java使用 PDFBox 2.0 从 PDF 文档中读取所有文本

在本教程中，我们将学习在 Java 程序中使用 PDFBox 2.0 库从 pdf 文档中读取所有文本。

PDF 文档可能包含文本、嵌入图像等作为其内容。PDFBox 中的 PDFTextStripper 类提供了从 PDF 文档中提取所有文本的功能。

从 PDF 中提取所有文本的步骤

以下是有助于从 PDF 文档中提取文本的步骤。

第 1 步：加载 PDF

将 pdf 文件加载到 PDDocument

PDDocument doc = PDDocument.load(new File("sample.pdf"));

第 2 步：使用 PDFTextStripper.getText 方法

使用 PDFTextStripper 从 doc 获取文本

String text = new PDFTextStripper().getText(doc);

PDFTextStripper 忽略 pdf 文档中文本块的格式和位置。PDFTextStripper 只是从 pdf 文档的所有页面中删除所有文本。getText 返回 pdf 文档的文本。

示例 1 – 从 PDF 中读取所有文本

在此示例中，我们将获取 PDF 并使用 PDFTextStripper 读取 PDF 中存在的所有文本。

ExtractText.java

import java.io.File; import java.io.IOException;   import org.apache.pdfbox.pdmodel.PDDocument; import org.apache.pdfbox.text.PDFTextStripper;   public class ExtractText {       public static void main(String[] args) {         try {             PDDocument doc = PDDocument.load(new File("sample.pdf"));             String text = new PDFTextStripper().getText(doc);;             System.out.println("Text in PDF\n---------------------------------");             System.out.println(text);             } catch (IOException e) {             e.printStackTrace();         }     } }

输出

Text in PDF ------------------ This is a sample PDF.

示例中使用的 pdf 文件是？ 样本.pdf

结论

在本PDFBox 教程中，我们学习了使用 PDFBox 2.0 从 pdf 文档中读取所有文本。