Java读取PDF文字内容的方法

最后编辑时间 ：2015-01-0517:30

 

方法一：PDFBox

（一个BSD许可下的源码开放项目）是一个为开发人员读取和创建PDF文档而准备的纯Java类库。它提供如下特性：

提取文本，包括Unicode字符。和Jakarta Lucene等文本搜索引擎的整合过程十分简单。加密/解密PDF文档。从PDF和XFDF格式中导入或导出表单数据。向已有PDF文档中追加内容。将一个PDF文档切分为多个文档，覆盖PDF文档。

官网：http://pdfbox.apache.org/index.html    截止当前最新版本1.8.8

 

/**  * PdfboxUtil.java  * Create on 2015-1-5  */ package charlie.utils.pdf;   import java.io.BufferedWriter; import java.io.File; import java.io.FileInputStream; import java.io.FileWriter; import java.io.InputStream;   import org.apache.pdfbox.pdfparser.PDFParser; import org.apache.pdfbox.pdmodel.PDDocument; import org.apache.pdfbox.util.PDFTextStripper;   /**  * @author CharlieChen  * @DateTime 2015-1-5 上午9:55:38  * @version 1.0  */ public class PdfboxUtil {      /**     * @param args     */    public static void main(String[] args) {       String pdfPath = "D:/temp/成交单-PDF格式.pdf";       String txtfilePath = "D:/temp/成交单-PDF格式-pdfbox.txt";       PdfboxUtil pdfutil = new PdfboxUtil();       try {          String content = pdfutil.getTextFromPdf(pdfPath);          pdfutil.toTextFile(content, txtfilePath);          System.out.println("Finished !");             } catch (Exception e) {          e.printStackTrace();       }      }       /**     * 读取PDF文件的文字内容     * @param pdfPath     * @throws Exception     */    public String getTextFromPdf(String pdfPath) throws Exception {       // 是否排序       boolean sort = false;       // 开始提取页数       int startPage = 1;       // 结束提取页数       int endPage = Integer.MAX_VALUE;                 String content = null;       InputStream input = null;       File pdfFile = new File(pdfPath);       PDDocument document = null;       try {          input = new FileInputStream(pdfFile);          // 加载 pdf 文档          PDFParser parser = new PDFParser(input);          parser.parse();          document = parser.getPDDocument();          // 获取内容信息          PDFTextStripper pts = new PDFTextStripper();          pts.setSortByPosition(sort);          endPage = document.getNumberOfPages();          System.out.println("Total Page: " + endPage);          pts.setStartPage(startPage);          pts.setEndPage(endPage);          try {             content = pts.getText(document);          } catch (Exception e) {             throw e;          }          System.out.println("Get PDF Content ...");       } catch (Exception e) {          throw e;       } finally {          if (null != input)             input.close();          if (null != document)             document.close();       }             return content;    }      /**     * 把PDF文件内容写入到txt文件中     * @param pdfContent     * @param filePath     */    public void toTextFile(String pdfContent,String filePath) {            try {          File f = new File(filePath);          if (!f.exists()) {             f.createNewFile();          }          System.out.println("Write PDF Content to txt file ...");          BufferedWriter output = new BufferedWriter(new FileWriter(f));          output.write(pdfContent);          output.close();       } catch (Exception e) {          e.printStackTrace();       }    } }

 

另需要commons-logging和fontbox-1.8.8的jar包

 

pdfbox只能做到把文字分析出来，并无法很好的控制分析的顺序，格式，字体等信息。

排序sort为true后，PDF按行读取，保持了顺序，但是遇到分栏，分页就会需要额外处理

 

 

 

方法二：iText

用于能够快速产生PDF文档的一个java类库。通过iText不仅可以生成PDF或rtf的文档，而且可以将XML、Html文件转化为PDF文件。支持文本，表格，图形的操作，可以方便的跟 Servlet 进行结合。

 

/**  * ItextpdfUtil.java  * Create on 2015-1-5  * import iText-5.0.2.jar  */ package charlie.utils.pdf;   import java.io.FileOutputStream; import java.io.IOException; import java.io.PrintWriter; import com.itextpdf.text.pdf.PdfReader; import com.itextpdf.text.pdf.parser.PdfReaderContentParser; import com.itextpdf.text.pdf.parser.PdfTextExtractor; import com.itextpdf.text.pdf.parser.SimpleTextExtractionStrategy; import com.itextpdf.text.pdf.parser.TextExtractionStrategy; /**  * @author CharlieChen  * @DateTime 2015-1-5 上午11:43:26  * @version 1.0  */ public class ItextpdfUtil {      /**     * @param args     */    public static void main(String[] args) {             String pdfPath = "D:/temp/成交单-PDF格式.pdf";       String txtfilePath = "D:/temp/成交单-PDF格式-itext.txt";                   //readPdfToTxt(pdfPath,txtfilePath); //调用读取方法        System.out.println(readPdfToTxt(pdfPath));        System.out.println("Finished !");           }      /**     * 读取PDF文件内容到txt文件     *     * @param writer     * @param pdfPath     */    private static void readPdfToTxt(String pdfPath,String txtfilePath) {       // 读取pdf所使用的输出流       PrintWriter writer = null;       PdfReader reader = null;       try {          writer = new PrintWriter(new FileOutputStream(txtfilePath));          reader = new PdfReader(pdfPath);          int num = reader.getNumberOfPages();// 获得页数          System.out.println("Total Page: " + num);          String content = ""; // 存放读取出的文档内容          for (int i = 1; i <= num; i++) {             // 读取第i页的文档内容             content += PdfTextExtractor.getTextFromPage(reader, i);          }          String[] arr = content.split("/n");          for(int i=0;i<arr.length;i++){             System.out.println(arr[i]);             /*String[] childArr = arr[i].split(" ");             for(int j=0;j<childArr.length;j++){                 System.out.println(childArr[j]);             }*/          }                       //System.out.println(content);                   writer.write(content);// 写入文件内容          writer.flush();          writer.close();       } catch (IOException e) {          e.printStackTrace();       }    }       /**     * 读取pdf内容     * @param pdfPath     */    private static String readPdfToTxt(String pdfPath) {       PdfReader reader = null;       StringBuffer buff = new StringBuffer();       try {          reader = new PdfReader(pdfPath);          PdfReaderContentParser parser = new PdfReaderContentParser(reader);          int num = reader.getNumberOfPages();// 获得页数          TextExtractionStrategy strategy;          for (int i = 1; i <= num; i++) {             strategy = parser.processContent(i,                    new SimpleTextExtractionStrategy());             buff.append(strategy.getResultantText());          }       } catch (IOException e) {          e.printStackTrace();       }              return buff.toString();    } }

 

 

 

 

 

 

 

 

 

方法三：XPDF

xpdf是一个开源项目，我们可以调用他的本地方法来实现抽取中文pdf文件。过程复杂，参照以下博客:

在linux下如何安装xpdf：http://blog.chinaunix.net/uid-7591044-id-1742951.html

 

Window系统安装xpdf : http://blog.csdn.net/jiuyueguang/article/details/10083965

http://www.thinksaas.cn/group/topic/149121/