Java解析PDF

因为最近的业务需求设计pdf的解析，所以做了一些相关的学习。

首先是来自ChatGPT的回答：

要在Java中解析PDF，你可以使用Apache PDFBox库。PDFBox是一个流行的Java库，可以用来创建和解析PDF文件。以下是一个简单的示例，演示如何使用PDFBox解析PDF文件：

import java.io.File;
import java.io.IOException;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

public class PDFParser {
    public static void main(String[] args) {
        try {
            // Load PDF document
            File file = new File("example.pdf");
            PDDocument document = PDDocument.load(file);
            
            // Create PDFTextStripper
            PDFTextStripper pdfStripper = new PDFTextStripper();
            
            // Extract text from PDF
            String text = pdfStripper.getText(document);
            System.out.println("Extracted text:\n" + text);
            
            // Close the document
            document.close();
        } catch (IOException e) {
            e.printStackTrace();
        }
    }
}

这个方案是可行的，它利用PDFTextStripper剥离器直接剥离pdf文件，也没有涉及page获取，也算简单方便，但是对于我司的业务而言，涉及的pdf出现了奇怪的问题，解析结果有pdf未显示的内容。可以理解为临近的两笔流水信息都打印出来了，但是pdf上只有其中一笔，我比较怀疑是上游在生成pdf的时候，基于了上一个流水的pdf编辑生成了下一个流水pdf。

而后使用了PDFTextStripperByArea这个剥离器，它是在PDF中指定区域解析文本

以下是ChatGPT的内容:

import java.awt.Rectangle;
import java.io.File;
import java.io.IOException;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripperByArea;

public class PDFParser {
    public static void main(String[] args) {
        try {
            // Load PDF document
            File file = new File("example.pdf");
            PDDocument document = PDDocument.load(file);
            
            // Define the area for text extraction (in points)
            Rectangle rect = new Rectangle(100, 100, 200, 200); // x, y, width, height
            
            // Create PDFTextStripperByArea
            PDFTextStripperByArea pdfStripper = new PDFTextStripperByArea();
            pdfStripper.addRegion("region", rect);
            
            // Extract text from the specified area
            pdfStripper.extractRegions(document.getPage(0));
            String text = pdfStripper.getTextForRegion("region");
            
            // Print extracted text
            System.out.println("Extracted text from specified area:\n" + text);
            
            // Close the document
            document.close();
        } catch (IOException e) {
            e.printStackTrace();
        }
    }
}

但是其中有一个坑， pdfStripper.addRegion("region", rect) 这一句，我在2.0.31版本或者更高3的版本都是不能用Rectangle的

Modifier and Type	Method and Description
void	addRegion(String regionName, Rectangle2D rect) Add a new region to group text by.

 上面的内容来自官方接口文档

那查阅了一些文章之后改为以下使用方式：

// 新建一个矩形，参数依次为：左上角坐标x, y, 宽width, 高height
Rectangle2D rect = new Rectangle2D.Double(100, 100, 200, 200); 
            
PDFTextStripperByArea pdfStripper = new PDFTextStripperByArea();
pdfStripper.addRegion("region", rect);
            
pdfStripper.extractRegions(document.getPage(0));
String text = pdfStripper.getTextForRegion("region");

期间还有参考了一篇文章，它的page获取方式是从文档树获取的，我试了一下不行，会报空指针，需要像上面这样直接从document获取。

而坐标的获取可以参考这篇文章：如何获取PDF文件中对应内容的坐标及范围？_pdf坐标-CSDN博客

开启坐标显示：

坐标显示单位切换

对于PDFbox来说它需要的坐标单位是点，而不是厘米，因此还需要对其显示的值进行设置。打开首选项：

将显示单位切换成“点”

开启网格辅助线

网格开启方便观察位置横竖位置

测量工具使用 

按住shift键会锁定横竖对齐，测量更准确