【Java】基于Pdfbox解析PDF文档中指定位置的文字和图片

1.1 PDFBOX介绍

Apache PDFBox是一个开源Java库，支持PDF文档的开发和转换。 我们可以使用PDFBox开发可以创建，转换和操作PDF文档的Java程序。PDFBox的主要功能：

• Extract Text - 使用PDFBox，您可以从PDF文件中提取Unicode文本。
• Split & Merge - 使用PDFBox，您可以将单个PDF文件分成多个文件，并将它们合并为一个文件。
• Fill Forms - 使用PDFBox，您可以在文档中填写表单数据。
• Print - 使用PDFBox，您可以使用标准Java打印API打印PDF文件。
• Save as Image - 使用PDFBox，您可以将PDF保存为图像文件，如PNG或JPEG。
• Create PDFs - 使用PDFBox，您可以通过创建Java程序创建新的PDF文件，还可以包含图像和字体。
• Signing - 使用PDFBox，您可以将数字签名添加到PDF文件。

PDFBox的四个主要组成部分：

• PDFBox - 这是PDFBox的主要部分。 它包含与内容提取和操作相关的类和接口。
• FontBox - 它包含与font相关的类和接口，使用这些类我们可以修改PDF文档的文本字体。
• XmpBox - 包含处理XMP元数据的类和接口。
• Preflight - 此组件用于根据PDF/A-1b标准验证PDF文件。

PDFBOX操作PDF文档基本实现：

• 创建PDF文档( Creating a PDF Document)
• 添加页面( Adding Pages)
• 删除页面( Removing Pages)
• 读写文档属性( Document Properties)
• 添加文本( Adding Text)
• 添加多行( Adding Multiple Lines)
• 读取文本( Reading Text)
• 插入图像( Inserting Image)
• 加密PDF文档(Encrypting a PDF Document)
• 拆分PDF文档( Splitting a PDF Document)
• 合并多个PDF文档(Merging Multiple PDF Documents)
• 从PDF文档生成图像（Save Images）
• 添加矩形( Adding Rectangles)

详细参考PDFBOX官网

1.2 项目需求分析

项目中需要根据既有的电子图书进行信息化的归档，方便分类目查询。因为图书主要是以如下排版存在：

相对来说页面分为左右两部分，右侧是知识点的描述，比较规范。左侧是图文的说明，为了生动，各种形式，大小都有，基本上没有规律，所以无法进行解析。最终敲定方案如下：

右侧描述根据章节来生成知识点描述，可以按章节或者关键字检索。对应描述的左侧部分，需要整体生成辅助说明一个图片。辅助说明相应的知识点内容。

拆分成技术实现为：

• 指定区域进行PDF文字内容提取
• 指定区域进行PDF图片内容提取

1.3 代码实现

1.3.1 SpringBoot工程引入PDFBox依赖

POM.xml

    <!-- https://mvnrepository.com/artifact/org.apache.pdfbox/pdfbox -->
	<dependency>
	    <groupId>org.apache.pdfbox</groupId>
	    <artifactId>pdfbox</artifactId>
	    <version>2.0.18</version>
	</dependency>

PdfboxUtils.java