解析pdf

最新推荐文章于 2024-08-14 13:06:30 发布

lingling1420q

最新推荐文章于 2024-08-14 13:06:30 发布

阅读量1.7k

点赞数

from http://blog.csdn.net/wqjsir/article/details/4090841

PDF文档解析java Big Faceless

最近在公司实习，由于公司的项目，公司要求我们做解析文档的部分任务，首先我做的是PDF文档的解析，主管也说了，这是最简单的，用开源的JAVA库PDFbox就能解决，不过，pdfbox还不支持新的PDF1.7版本。我在网上搜索，终于找到了能支持PDF1.7版本的开源库了。The Big Faceless PDF Library可以到一下网站下载PDF包：里面有较详细的文档说明。 http://big.faceless.org/products/pdf/

发现比PDFbox还简单。

下面是我的代码：

import java.io.*;
import org.faceless.pdf2.*;
public class PrintPDF {
public static void main(String[] args) throws IOException {
  //PDF文档路径
  String filepath = "d://userguide.pdf";
  //PDFReader对象建立
  PDFReader reader = new PDFReader(new File(filepath));
  //建立PDF文档对象
  PDF pdf = new PDF(reader);
  //建立文档解析对象
  PDFParser parser = new PDFParser(pdf);
  for (int i = 0; i < pdf.getNumberOfPages(); i++) {
   PageExtractor extractor = parser.getPageExtractor(i);
    System.out.println(extractor.getTextAsStringBuffer());
    }
}
}

纯文本格式的pdf我已经解析出来了，但是我还要解析图片版本或者文字版中带图片的pdf。
解析纯文本的代码如下：
package pdfbox;
import java.io.ByteArrayOutputStream;
import java.io.FileWriter;
import java.io.IOException;
import java.io.PrintWriter;
import java.io.OutputStreamWriter;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.util.PDFTextStripper;
import org.apache.*;

public class pdf2 {
public static String getText(String file){
  String s="";
  String pdffile=file;
  PDDocument pdfdoc=null;
  try {
   pdfdoc=PDDocument.load(pdffile);
   PDFTextStripper stripper=new PDFTextStripper();
   s=stripper.getText(pdfdoc);

  } catch (IOException e) {
   // TODO Auto-generated catch block
   e.printStackTrace();
  }
  finally{
   try {
      if (pdfdoc!=null){
     pdfdoc.close();
    }
   }catch (IOException e) {
     // TODO Auto-generated catch block
     e.printStackTrace();
   }
  }
  return s;
    }
public static void toTextFile(String doc,String filename) throws Exception{
  String pdffile=doc;
  PDDocument pdfdoc=PDDocument.load(doc);
  try {
   pdfdoc=PDDocument.load(pdffile);
   PDFTextStripper stripper=new PDFTextStripper();
   PrintWriter pw=new PrintWriter(new FileWriter(filename));
   stripper.writeText(pdfdoc, pw);

  } catch (IOException e) {
   // TODO Auto-generated catch block
   e.printStackTrace();
  }
  finally{
   try {
      if (pdfdoc!=null){
     pdfdoc.close();
    }
   }catch (IOException e) {
     // TODO Auto-generated catch block
     e.printStackTrace();
   }
  }

}
/**
  * @param args
  */
public static void main(String[] args) {
  // TODO Auto-generated method stub
  try {
   String sc=getText("E:/solution.pdf");
   System.out.print(sc);
   toTextFile("E:/solution.pdf","E:/solution.txt");
  } catch (Exception e) {
   // TODO Auto-generated catch block
   e.printStackTrace();
  }

}

}

解析图片:   PDDocumentCatalog cata = document.getDocumentCatalog();
           List pages = cata.getAllPages();
           int count = 1;
           for( int i = 0; i < pages.size(); i++ )
           {
               PDPage page = ( PDPage ) pages.get( i );
               if( null != page )
               {
                   PDResources res = page.findResources();

                   //获取页面图片信息
                   Map imgs = res.getImages();
                   if( null != imgs )
                   {
                       Set keySet = imgs.keySet();
                       Iterator it = keySet.iterator();
                       while( it.hasNext() )
                       {
                           Object obj = it.next();
                           PDXObjectImage img = ( PDXObjectImage ) imgs.get( obj );
                           img.write2file( imgSavePath + count );
                           count++;
                       }
                   }
               }
           }

itext不论是旧的版本，还是新的版本，其核心包都不支持中文问题。这样就会造成在生成含有中文的pdf文档时，

中文不能正常显示的问题。要使itext支持中文，需要下载iTextAsian.jar包
编写支持中文的字体对象：

PdfWriter.getInstance(document, new FileOutputStream("123.pdf"));
BaseFont bfChinese = BaseFont.createFont("STSongStd-Light", "UniGB-UCS2-H", false);

Font fontChinese = new Font(bfChinese);
document.open();
Paragraph par = new Paragraph("你好",fontChinese);

document.add(par);

这样就解决了itext对这中文的支持。

注意：如果运行报错。（找不到资源包）。明明导入了iTextAsian.jar包怎么会找不到资源包呢。

这时我们查看一下iTextAsian.jar包发现包名：com.lowagie.text.pdf.fonts

而查看itext的Font的包名：com.itextpdf.text.pdf.fonts

原来iTextAsian.jar对iText的扩展，是通过在相同的包空间下加入字体来解决的，然而，新的iText的包空间命名

与久的版本有很大的差别。

解决办法时，解压iTextAsian.jar包，修改iTextAsian.jar包名于itext的包名命名规则一直，再从新生成jar包。

因为iTextAsian.jar为资源包，不为java文件，所以修改包名对iTextAsian.jar无影响

用java怎么提取或是解压rar压缩文档？以前查了很多的资料，没有找到相关的第三方库，网上查找的资料说是解析rar只能更加rar的命令行参数来解析。因为rar压缩文档的内部结构是没有共开的。所以没有专门的解析库程序。自己也就只好用命令行了，但是在实际应用中，遇到rar加密时就遇到了问题。

所以自己又在网上很费心的找了相关资料，终于找到了一个库可以解析rar文档。

库下载地址： http://www.mucommander.com/。这是个解决多种文档的软件，是用java写的。所以能够引用来解决rar的解析。

package DOCExtract;

import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.util.Collection;
import java.util.HashMap;
import java.util.Iterator;

import DocHandler.DocTypeNameParse;
import DocHandler.IDocHandler;

import com.mucommander.file.AbstractFile;
import com.mucommander.file.FileFactory;
import com.mucommander.file.impl.rar.provider.RarFile;
import com.mucommander.file.impl.rar.provider.de.innosystec.unrar.rarfile.FileHeader;
/**
* IDocHandler 为自己写的接口类
*
*/
public class RarExtractor implements IDocHandler {
    // 每次读取的字节大小
    private int BLOCKSIZE = 1024;
    // 临时文件编号
    private int FILE_COUNT = 0;

    public int getText(InputStream inputStream, StringBuffer strBuff) {
String fileDir = "f://wang" + FILE_COUNT;
FILE_COUNT++;
String fileName = null;
try { // 将文件写入磁盘上
     writeTodev(inputStream, fileDir);
     // 从磁盘上读取文件
     File file = new File(fileDir);
     String[] subFilePath = file.list();
     fileName = fileDir + "//" + subFilePath[0];
     AbstractFile abstractFile = FileFactory.getFile(fileName);
     RarFile rarFile = new RarFile(abstractFile);
     Collection collection = rarFile.getEntries();
     IDocHandler docHandler = null;
     for (Iterator iterator = collection.iterator(); iterator.hasNext();) {
   FileHeader fileHeader = (FileHeader) iterator.next();
   String subFileName = fileHeader.getFileNameString();
   // 输出rar文档里的文档名
   System.out.println("subFileName:" + subFileName);

   InputStream subinputStream = rarFile.getEntryInputStream(subFileName);
   /**
   * DocTypeNameParse为文自己写的文档类型判断类。
   */
   String fileType = DocTypeNameParse.getTypeName(subFileName);
   // 输出文档的类型
   System.out.println("fileType:" + fileType);

   docHandler = (IDocHandler) this.ExctractMap.get(fileType);
   docHandler.getText(subinputStream, strBuff);
   subinputStream.close();//这里必须关闭流，否则在遇到有文档异常时，流就会卡主
     }
     // System.out.println("strBuff:" + strBuff);
} catch (IOException e) {
     e.printStackTrace();
}
// 删除临时文件
deleteFile(fileDir);
return 0;
    }

    // 将文件写入磁盘上
    private void writeTodev(InputStream inputStream, String fileDir) {
byte[] b = new byte[BLOCKSIZE];
int readCount = 0;
try {
     File file = new File(fileDir);
     if (!file.exists())
   file.mkdirs();
     File subFile = new File(fileDir, "tempfile.rar");
     FileOutputStream os = new FileOutputStream(subFile);
     while ((readCount = inputStream.read(b)) > 0) {
   os.write(b, 0, readCount);
     }
     os.close();
} catch (IOException e) {
     e.printStackTrace();
}
    }

    // 删除临时文件
    private void deleteFile(String fileName) {
File file = new File(fileName);
File[] subFile = file.listFiles();
for (int i = 0; i < subFile.length; i++) {
     subFile[i].delete();
}
file.delete();
    }
}