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();
}
}
}