PDF文字解析

背景：在出版社待了4年多，出版社在给印刷厂文件时，绝大部分用的都是双层PDF，这类的PDF文件日积月累会有大量的文件堆积。现在全国出版行业都在做出版转型，融合发展的道路。我曾在三峡出版社（宜昌）看到他们将几十年的报纸通过扫描技术和人工分拣做成内容数据库，工作内容单一枯燥，工作量巨大。现在很多出版社准备把原有的PDF文件经过相关技术，转换成内容数据库。一方面是为了方便保存检索，另一方面也将零碎的内容聚拢成海，方便以后更深层次的发展……

技术：此方法不是所有的PDF都能解析出来，PDF格式多种多样，有的PDF文字被转换成了矢量信息，有的PDF不符合标准的文件规范。现在用OCR光学字符识别技术能支持更多的文件格式，当然即使可以解析出来，也不是100%的正确，很多的大厂已经提供这方面的有偿服务了。

代码及第三方jar包如下，很简单的小方法，任取：

package cn.liuxz;

import java.io.FileOutputStream;
import java.io.IOException;
import java.io.PrintWriter;

import com.itextpdf.text.DocumentException;
import com.itextpdf.text.pdf.PdfReader;
import com.itextpdf.text.pdf.parser.PdfTextExtractor;

public class GetText {
	public static void main(String[] args) throws DocumentException, IOException {
		String outputpath = "E://123456.txt";// txt文件路径
		PrintWriter writer = new PrintWriter(new FileOutputStream(outputpath));// txt文件写入流
		String pdffilepath = "E://POD_PDF_PATH//百家研学开笔礼操作手册_611271596336/1.pdf";// pdf文件路径
		inspect(writer, pdffilepath); // 调用读取方法
		writer.close();
	}

	public static void inspect(PrintWriter writer, String filename) throws IOException {
		try {
			PdfReader reader = new PdfReader(filename); // 读取pdf所使用的输出流
			int PageNum = reader.getNumberOfPages();// 获得页数

			String content = ""; // 存放读取出的文档内容
			for (int i = 1; i <= PageNum; i++) {
				content += PdfTextExtractor.getTextFromPage(reader, i);// 读取第i页的文档内容
			}
			System.out.println(content);
			writer.write(content);// 写入文件内容
			writer.flush();
		} catch (IOException e) {
			e.printStackTrace();
		}
	}
}