使用PDFBox处理PDF文档

转载自：http://www.cnblogs.com/hejycpu/archive/2009/01/19/1378380.html

前面的介绍文本是转载的，实际上和一本书上的内容大致相同（除了代码）。

1、使用PDFBox处理PDF文档 PDF全称Portable Document Format，是Adobe公司开发的电子文件格式。这种文件格式与操作系统平台无关，可以在Windows、Unix或Mac OS等操作系统上通用。 PDF文件格式将文字、字型、格式、颜色及独立于设备和分辨率的图形图像等封装在一个文件中。如果要抽取其中的文本信息，需要根据它的文件格式来进行解析。幸好目前已经有不少工具能帮助我们做这些事情。 2、PDFBox的下载 最常见的一种PDF文本抽取工具就是PDFBox了，访问网址http://sourceforge.net/projects/pdfbox/，进入如图7-1所示的下载界面。读者可以在该网页下载其最新的版本。本书采用的是PDFBox-0.7.3版本。PDFBox是一个开源的Java PDF库，这个库允许你访问PDF文件的各项信息。在接下来的例子中，将演示如何使用PDFBox提供的API，从一个PDF文件中提取出文本信息。 3、在Eclipse中配置 以下是在Eclipse中创建工程，并建立解析PDF文件的工具类的过程。 （1）在Eclipse的workspace中创建一个普通的Java工程：ch7。 （2）把下载的PDFBox-0.7.3.zip解压。 （3）进入external目录下，可以看到，这里包括了PDFBox所有用到的外部包。复制下面的Jar包到工程ch7的lib目录下（如还未建立lib目录，则先创建一个）。 l bcmail-jdk14-132.jar l bcprov-jdk14-132.jar l checkstyle-all-4.2.jar l FontBox-0.1.0-dev.jar l lucene-core-2.0.0.jar 然后再从PDFBox的lib目录下，复制PDFBox-0.7.3.jar到工程的lib目录下。 （4）在工程上单击右键，在弹出的快捷菜单中选择“Build Path->Config Build Path->Add Jars”命令，把工程lib目录下面的包都加入工程的Build Path。 4、使用PDFBox解析PDF内容 在刚刚创建的Eclipse工程中，创建一个ch7.pdfbox包，并创建一个PdfboxTest类。该类包含一个getText方法，用于从一个PDF中获取文本信息，其代码如下。 import java.io.BufferedWriter; import java.io.FileInputStream; import java.io.FileWriter; import org.pdfbox.pdfparser.PDFParser; import org.pdfbox.util.PDFTextStripper; public class PdfParser {    /**    * @param args    */    // TODO 自动生成方法存根        public   static   void   main(String[]   args)   throws   Exception{              FileInputStream   fis   =   new   FileInputStream("F:\\task\\lerman-atem2001.pdf");              BufferedWriter writer = new BufferedWriter(new FileWriter("F:\\task\\pdf_change.txt"));             PDFParser   p   =   new   PDFParser(fis);              p.parse();                      PDFTextStripper   ts   =   new   PDFTextStripper();                      String   s   =   ts.getText(p.getPDDocument());              writer.write(s);             System.out.println(s);              fis.close();              writer.close();               } } 1package TestPDF.pdfbox; 3import java.io.File; 4import java.io.FileOutputStream; 5import java.io.IOException; 6import java.io.OutputStreamWriter; 7import java.io.Writer; 8import java.net.URL; 10import org.apache.lucene.analysis.standard.StandardAnalyzer; 11import org.apache.lucene.document.Document; 12import org.apache.lucene.index.IndexWriter; 13import org.apache.lucene.index.Term; 14import org.apache.lucene.search.IndexSearcher; 15import org.apache.lucene.search.PhraseQuery; 16import org.apache.lucene.search.Query; 17import org.apache.lucene.search.ScoreDoc; 18import org.apache.lucene.search.TermQuery; 19import org.apache.lucene.search.TopDocCollector; 20import org.apache.lucene.search.TopDocs; 21import org.pdfbox.pdmodel.PDDocument; 22import org.pdfbox.searchengine.lucene.LucenePDFDocument; 23import org.pdfbox.util.PDFTextStripper; 25public class Test { public void getText(String file) throws Exception{ //是否排序 boolean sort = false; //pdf文件名 String pdfFile = file; //输入文本文件名称 String textFile = null; //编码方式 String encoding = "UTF-8"; //开始提取页数 int startPage = 1; //结束提取页数 int endPage = Integer.MAX_VALUE; //文件输入流，输入文本文件 Writer output = null; //内存中存储的PDF Document PDDocument document = null; try{ try{ //首先当作一个URL来加载文件，如果得到异常再从本地系统装载文件 URL url = new URL(pdfFile); document = PDDocument.load(url); String fileName = url.getFile(); if(fileName.length() > 4){ //以原来pdf名称来命名新产生的txt文件 File outputFile = new File(fileName.substring(0, fileName.length()-4) + ".txt"); textFile = outputFile.getName(); } }catch(Exception e){ //如果作为URL装载得到异常则从文件系统装载 document = PDDocument.load(pdfFile); if(pdfFile.length() > 4){ textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt"; } } //文件输出流，写入文件到textFile output = new OutputStreamWriter(new FileOutputStream(textFile),encoding); //PDFTextStripper来提取文本 PDFTextStripper stripper = new PDFTextStripper(); //设置是否排序 stripper.setSortByPosition(sort); //设置起始页 stripper.setStartPage(startPage); //设置结束页 stripper.setEndPage(endPage); //调用PDFTextStripper的writeText提取并输出文本 stripper.writeText(document, output); }finally{ if(output != null){ output.close(); } if(document != null){ document.close(); } } } /** *//** * test Lucene with pdfbox * @throws IOException */ public void LuceneTest() throws IOException{ String path = "D:\\index"; String pdfpath = "D:\\index\\Lucene.Net基本用法.pdf"; IndexWriter writer = new IndexWriter(path, new StandardAnalyzer(),true); //writer.setMaxFieldLength(10240); //LucenePDFDocument返回由PDF产生的Lucene Document Document d = LucenePDFDocument.getDocument(new File(pdfpath)); //System.out.println(d); //写入索引 writer.addDocument(d); writer.close(); //读取d:\index下的索引文件，建立IndexSearcher IndexSearcher searcher = new IndexSearcher(path); //对索引的contents Field进行关键字Query的查找 Term t = new Term("contents","优"); Term m = new Term("contents","化"); PhraseQuery q = new PhraseQuery(); q.add(t); q.add(m); //Query q = new TermQuery(t); TopDocCollector co = new TopDocCollector(10); searcher.search(q,co); Document document; TopDocs docs = co.topDocs(); ScoreDoc[] doc = docs.scoreDocs; //System.out.println(doc.length); for(int i=0;i<doc.length;i++){ System.out.println("文档编号：" + doc[i].doc); //document = searcher.doc(doc[i].doc); } } /** *//** * @param args */ public static void main(String[] args) { // TODO Auto-generated method stub Test test = new Test(); try{ //test.getText("D:\\index\\Lucene.Net基本用法.pdf"); test.LuceneTest(); }catch(Exception e){ e.printStackTrace(); } } 139} 140