使用xpdf来处理中文PDF文档

PDFBox看起来非常的方便,它的API功能强大。甚至能和Lucene进行无缝的结合。但是它有一个致命的弱点,就是它不支持中文。要提取中文的文本,可以采用另一个非常出色的工具xpdf。
1  xpdf的下载
读者可以到http://www.foolabs.com/xpdf/download.html下载最新版本的xpdf。如图1所示。
图1  xpdf的下载页面
本书采用的是xpdf-3.01pl2-win32.zip。另外,还需要下载一个中文包xpdf-chinese-simplified.tar.gz。
2  配置
将xpdf-3.01pl2-win32.zip解压到c:/xpdftest目录下,然后将xpdf-chinese-simplified.tar.gz解压倒c:/xpdftest/xpdf/目录下,解压后的目录结构如图2所示。
图2  Xpdf解压后的目录
打开目录下的xpdfrc文件,编辑文件内容,如下代码所示。
代码1
cidToUnicode    Adobe-GB1       c:/xpdftest/xpdf/xpdf-chinese-simplified/Adobe-GB1.cidToUnicode
unicodeMap      ISO-2022-CN     c:/xpdftest/xpdf/xpdf-chinese-simplified/ISO-2022-CN.unicodeMap
unicodeMap      EUC-CN          c:/xpdftest/xpdf/xpdf-chinese-simplified/EUC-CN.unicodeMap
unicodeMap  GBK     c:/xpdftest/xpdf/xpdf-chinese-simplified/GBK.unicodeMap
cMapDir         Adobe-GB1       c:/xpdftest/xpdf/xpdf-chinese-simplified/CMap
toUnicodeDir                    c:/xpdftest/xpdf/xpdf-chinese-simplified/CMap
fontDir C:/WINDOWS/Fonts
displayCIDFontTT Adobe-GB1 C:/WINDOWS/Fonts/simhei.ttf
textEOL      CR+LF
文件的路径读者可以根据自己的环境改,如在windows 2000下,fontDir所在的位置是C:/WINNT/Fonts,displayCIDFontTT Adobe-GB1的位置是在C:/WINNT/Fonts/simhei.ttf。
7.2.3  提取中文
在工程中新建一个ch7.xpdf包,并创建一个Pdf2Text类。该类采用Runtime传入参数,调用pdftotext.exe来进行文本的提取。其具体实现代码如下。
代码2
public class Pdf2Text {
 // PDF文件名
 private File pdffile;
 
 // 转换器的存放位置,默认在c:/xpdf下面
 private String CONVERTOR_STORED_PATH = "c://xpdf";
 
 // 转换器的名称,默认为pdftotext
 private String CONVERTOR_NAME = "pdftotext";
 
 // 构造函数,参数为pdf文件的路径
 
 public Pdf2Text(String pdffile) throws IOException {
  this(new File(pdffile));
 }
 
 // 构造函数,参数为pdf文件的对像
 public Pdf2Text(File pdffile) throws IOException {
  this.pdffile = pdffile;
 }
 
 // 将pdf转为文本文档
 public void toTextFile() throws IOException {
  toTextFile(pdffile, true);
 }
 
 // 将pdf转为文本文档,参数为目标文件的路径,默认使用PDF文件中的布局
 public void toTextFile(String targetfile) throws IOException {
  toTextFile(new File(targetfile), true);
 }
 
 // 将pdf转为文本文档,参数1为目标文件的路径,
 // 参数2为true则表示使用PDF文件中的布局
 public void toTextFile(String targetfile, boolean isLayout)
   throws IOException {
  toTextFile(new File(targetfile), isLayout);
 }
 
 // 将pdf转为文本文档,参数为目标文件
 public void toTextFile(File targetfile) throws IOException {
  toTextFile(targetfile, true);
 }
 
 // 将pdf转为文本文档,参数1为目标文件,
 // 参数2为true则表示使用PDF文件中的布局
 public void toTextFile(File targetfile, boolean isLayout)
   throws IOException {
  String[] cmd = getCmd(targetfile, isLayout);
  Process p = Runtime.getRuntime().exec(cmd);
 }
 
 // 获取PDF转换器的路径
 public String getCONVERTOR_STORED_PATH() {
  return CONVERTOR_STORED_PATH;
 }
 
 // 设置PDF转换器的路径
 public void setCONVERTOR_STORED_PATH(String path) {
  if (!path.trim().endsWith("//"))
   path = path.trim() + "//";
  this.CONVERTOR_STORED_PATH = path;
 }
 
 // 解析命令行参数
 private String[] getCmd(File targetfile, boolean isLayout) {
  // 命令字符
  String command = CONVERTOR_STORED_PATH + CONVERTOR_NAME;
  // PDF文件的绝对路径
  String source_absolutePath = pdffile.getAbsolutePath();
  // 输出文本文件的绝对路径
  String target_absolutePath = targetfile.getAbsolutePath();
  // 保持原来的layout
  String layout = "-layout";
  // 设置编码方式
  String encoding = "-enc";
  String character = "GBK";
  // 设置不打印任何消息和错误
  String mistake = "-q";
  // 页面之间不加入分页
  String nopagebrk = "-nopgbrk";
  // 如果isLayout为false,则设置不保持原来的layout
  if (!isLayout)
   layout = "";
  return new String[] { command, layout, encoding, character, mistake,
    nopagebrk, source_absolutePath, target_absolutePath };
 }
}
该类对外提供一个toTextFile()方法。该方法接收2个参数:targetfile为目标PDF文件,isLayout
表示是否采用原始的PDF文件中的layout布局。类中的getCmd()方法负责解析传进来的参
数,并生成一个String数组。该String数组表示一个操作系统中的命令,其中,各项分别代
表命令后所跟的参数。在获得到该数组后,再调用Runtime.getRuntime().exec(String[])函数
来执行命令。
注意:在getCmd()方法中设置编码方式的时候,用到的是GBK。这并不是对所有的文件都
适用,因为中文的编码方式不只一种,读者可以根据PDF的编码类型选择不同的encoding
方式。所有简体中文的编码方式都定义在文件xpdfrc中的unicodeMap中,现在支持3种编
码方式,分别是ISO-2022-CN,EUC-CN,GBK。
运行效果
下面通过一个函数来测试Pdf2Text类,在ch7.xpdf包中新建一个Pdf2TextTest类,包含一个
main函数,其代码如下。
代码 7.5
public class Pdf2TextTest {
 public static void main(String[] args) {
  try {
   // 参数输入PDF文件的存放位置
   Pdf2Text p2t = new Pdf2Text("c://test.pdf");
   // 设定转换器的位置
   p2t.setCONVERTOR_STORED_PATH("c://xpdftest//xpdf");
   // 设置文本文件存放位置
   p2t.toTextFile("c://test.txt");
  } catch (Exception e) {
   e.printStackTrace();
  }
 }
}
阅读更多
个人分类: J2SE
上一篇PDFBox与lucene的集成
下一篇提取Word里面的内容
想对作者说点什么? 我来说一句

没有更多推荐了,返回首页

关闭
关闭
关闭