使用PDFBox处理PDF文档

最新推荐文章于 2024-06-29 03:00:40 发布

Nazarite_wen

最新推荐文章于 2024-06-29 03:00:40 发布

阅读量3.5k

点赞数

分类专栏： java lucene pdf 文章标签： string exception output encoding url lucene

本文链接：https://blog.csdn.net/nazarite_wen/article/details/6884278

版权

这篇博客介绍了如何使用Apache PDFBox库从PDF文档中提取文本。通过加载PDF文件，设置提取范围，并利用PDFTextStripper将内容写入文本文件，实现了PDF到TXT的转换。还提及了可能需要的Lucene库。

摘要由CSDN通过智能技术生成

首先导入jar包 pdfbox-app-1.6.0.jar fontbox-1.6.0.jar pdfbox-1.6.0.jar 和 jempbox-1.6.0.jar

同时还要导入lucene的3.0包 lucene-core-3.0.0.jar

下载网址 http://pdfbox.apache.org/download.html

import java.io.File;
import java.io.FileOutputStream;
import java.io.OutputStreamWriter;
import java.io.Writer;
import java.net.MalformedURLException;
import java.net.URL;

import org.apache.lucene.document.Document;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.util.PDFTextStripper;

public class PdfLuceneTest {
public static void main(String[] args) {
try {
  geText("D:\\test\\small\\1.pdf");
} catch (Exception e) {
  // TODO Auto-generated catch block
  e.printStackTrace();
}
}
public static void geText(String file) throws E