Java那些事之pdf读取

今天说说java中的pdf读取,实话说,这是一个很恼人的任务。现在网络上的pdf各种各样,分析出来的文本也是千差万别,目前最流行的jar包pdfbox也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。(也许可以,是我对pdfbox了解还不够,如果是这样的话,大家一定要告诉我~先谢过了哈。)这给后续的工作带来了很大的麻烦。比如我想提取pdf的一些关键词或标题等有用信息,而分析出来的文本大多没有规律可言,甚至不同pdf分析的顺序也不一样,有些分析出来第一行是标题,有些标题要到第十行甚至更靠后,总体说来这个任务远远没有达到我之前的预期。这里介绍一下,一个为了和大家交流一下,更重要的目的在于向各位高手们学习,看看大家是否有更好的办法来处理pdf的信息,而不光单单是读取pdf的字符串。

pdfbox的下载和配置我就不多说了,就跟加别的jar包没有区别。

下面直接上代码。

代码很简单,但是分析出来的内容也让人很抓狂,刚才说过了,什么格式的都有,甚至有些英文pdf分析出来词与词之间没有空格……有些又每个字母之间有空格,这到底是为什么呢?请教各位。

public void get(string pdfpath) throws exception {

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();

string content = "";

try

{

content = pts.gettext( document );

}

catch(exception e)

{

throw e;

}

system.out.println(content);

}

catch(exception e)

{

throw e;

}

finally

{

if( null != input )

input.close();

if( null != document )

document.close();

}

}

======================================================
在最后，我邀请大家参加新浪APP，就是新浪免费送大家的一个空间，支持PHP+MySql，免费二级域名，免费域名绑定 这个是我邀请的地址，您通过这个链接注册即为我的好友，并获赠云豆500个，价值5元哦！短网址是http://t.cn/SXOiLh我创建的小站每天访客已经达到2000+了，每天挂广告赚50+元哦，呵呵，饭钱不愁了，\(^o^)/