java itext解析pdf

解析pdf的java开源包有itext、pdfbox、xpdf等。据说pdfbox对中文支持不好，xpdf是用命令行调用，还一堆七七八八的配置，没用过。itext一般来说是生成pdf比较容易，解析比较麻烦，效果感觉还是可以的。但是。
标准pdf文件是根据pdf规范设计的。pdf文件中的文字、页面、页眉页脚、图、线等都是一个个对象。总的来说就是一个pdf对应一个文档，文档中有若干页，每页中有各自所包含的对象，比如说行，也比如说行中的文本。
对象可以由操作符推断出，操作符后面紧跟该操作符所需的若干个操作数。一类很重要的操作数是位置坐标。itext返回的数据流顺序不一定是我们眼睛看pdf得到的顺序，但是位置坐标不会骗人，把坐标进行排序得到的才是正确的顺序。
对需要处理的操作符或操作符对，定制处理方法，操作数对应为处理方法的参数。比如说把线[re、m/l、do]（可能是长的也可能是很短的）一个个连起来，可能就组成了表格；文本也是，不是说一个数据流就是一段或者一行，可能是1个字，也可能是几个字，没有规律，根据需要组成段或者行。
有些pdf用itext解析不出任何文本，也可能是pdf本身有问题，用abrocatreader也复制不出东西。
总体来说感觉itext挺强大的，但是提供的功能不够全，比如不支持表格的抽取，需要自己定制方法识别。但是表格构成的线有些是很短的线组成的，拼接的时候误差较大。又比如像文本，只能得到文字和位置、字体字号等信息，要是能提供接口区分结构，那就更完美了。期待以后itext源码中会加入更多的功能。
[img]http://dl2.iteye.com/upload/attachment/0091/7860/e20fa08a-ee95-371e-8bfb-0546b2ae385d.png[/img]