XPdf实现pdf转txt格式方法实现

近期在弄一个项目，需要将pdf文档的每一个段落关键字提取出来。很直接的想法就是先将pdf先转成txt，再把txt每个段落抓出来。网上看了下，绝大多数人都是用的pdfbox这个java类库。网上的源码实现很多，大同小异，随便拿一个来用都行。发现转倒是能转，可是原来的pdf格式全不见了是什么鬼，莫名其妙地给我多了很多空格，什么段落顶格全没了，乱七八糟的排版，这样我怎么将txt中的每个段落提取出来啊！！！！

上网查了很久，发现这是个很经典的问题，貌似很多人都是这个问题。pdfbox会自动在某些读取文字中加入一些格式，比如回车、空格等，造成了很不好的效果。什么itext、pdfbox都是这个问题。我甚至去下了一个专门pdf格式转换的软件，转出来的效果那也是一个惨不忍睹（专业的都这样，那还有什么搞头）。就在我决定放弃的时候，看到一篇很古老的博客有说用到XPdf能比较好解决这个问题。那还说什么，马上开始试验。

一、XPDF的配置

1.我下载的是： xpdfbin-win-3.04.zip

另外还需要一个语言包：xpdf-chinese-simplified.tar.gz

2.工作路径设置 

在本文中以 c:\xpdftest\xpdf 作为xpdf的工作路径。 将 xpdfbin-win-3.04.zip 解压到 c:\xpdftest\xpdf 下。 将 xpdf-chinese-simplified.tar.gz 解压到 c:\xpdftest\xpdf\xpdf-chinese-simplified 下。

3.修改配置文件 

为了启用中文简体语言包，必须将 xpdf-chinese-simplified 目录下的 sample-xpdfrc 文件进行如下配置，并将其另存为 xpdfrc 文件 。

 注意：此文件为配置文件，而且名称必须是 xpdfrc 。如果是别的名字，即使调用 pdftotext.exe 时，传入 ” -cfg xpdfrc2 ” 来告诉 xpdf 配置文件的名字，好像 pdftotext.exe 也并没有使用这个配置文件。所以为了减少误解，请您将配置文件直接命名为 xpdfrc 。

 修改 sample-xpdfrc 文件之一 

在文件后面 加上一段话 ：

 Txt代码

1. #----- begin Chinese Simplified support package (2004-jul-27)  
2.   
3. cidToUnicode     Adobe-GB1  C:/xpdftest/xpdf/xpdf-chinese-simplified/Adobe-GB1.cidToUnicode  
4.   
5. unicodeMap ISO-2022-CN     C:/xpdftest/xpdf/xpdf-chinese-simplified/ISO-2022-CN.unicodeMap  
6.   
7. unicodeMap EUC-CN       C:/xpdftest/xpdf/xpdf-chinese-simplified/EUC-CN.unicodeMap  
8.   
9. unicodeMap GBK      C:/xpdftest/xpdf/xpdf-chinese-simplified/GBK.unicodeMap  
10.   
11. cMapDir      Adobe-GB1  C:/xpdftest/xpdf/xpdf-chinese-simplified/CMap  
12.   
13. toUnicodeDir                 C:/xpdf/chinese-simplified/CMap  
14.   
15. #displayCIDFontTT   Adobe-GB1  /usr/..../gkai00mp.ttf  
16.   
17. #----- end Chinese Simplified support package  

注意：路径要跟自己配置的一样。

修改 sample-xpdfrc 文件之二

 另外，配置文件中原先没有加上一个“ textPageBreaks ”控制。为了避免这个分页符号，我们需要在 sample-xpdfrc 文件 “ text output control ”下面 加上一段话 ： Txt代码

1. # If set to "yes", text extraction will  insert  page  
2. # breaks  (form feed characters) between pages.  This  
3. # defaults to "yes".  
4. textPageBreaks      no 

设置 textPageBreaks 为 no 的意思是：在 PDF 文档的两页之间不加入分页符号。 之所以这样，是因为这个符号有时候会引起 SAX 解析 XML 上的困难。

 

 

• 修改 sample-xpdfrc 文件之三

配置文件中原先把 textEncoding 注释了。这样默认的字符集是 Latin1 。我们必须打开它，并且就是指定 textEncoding 为UTF-8 ，而不是 GB2312 。即修改这句话 ：

Txt代码

1. textEncoding        UTF-8  

好了，配置弄好后就该代码实现了，代码不难，下面贴上来。

TestPdfToText.java

Java代码

1. package pdfToText;  
2. public class TestPdfToText {  
3.   
4.     /** 
5.      * @param args 
6.      */  
7.     public static void main(String[] args) {  
8.         String rootPath = "c:\\061231";  
9.         //pdf文件路径  
10.         String pdffile = rootPath + ".pdf";  
11.         //用xpdf生成的txt文件路径  
12.         String xpdfToTxtfile = rootPath + "_xpdf.txt";  
13.         //XPDF  
14.         try{  
15.             long begin = System.currentTimeMillis();   
16.             XpdfToText xpToTxt = new XpdfToText(pdffile);  
17.             xpToTxt.toTextFile(xpdfToTxtfile);  
18.             long end = System.currentTimeMillis();   
19.             System.out.println("xpdf\t cost:\t" + (end - begin) + " ms");  
20.         }catch(Exception e){  
21.             e.printStackTrace();  
22.         }    
23.     }  
24. }  

XpdfToText.java

1. package pdfToText;  
2.   
3. import java.io.File;  
4. import java.io.IOException;  
5.   
6. public class XpdfToText {  
7.     // PDF文件名  
8.     private File pdffile;  
9.     // 转换器的存放位置，默认在c:\xpdftest\xpdf下面  
10.     private String CONVERTOR_STORED_PATH = "c:\\xpdftest\\xpdf\\";  
11.     // 转换器的名称，默认为pdftotext  
12.     private String CONVERTOR_NAME = "pdftotext";  
13.   
14.     // 构造函数，参数为pdf文件的路径  
15.     public XpdfToText(String pdffile) throws IOException {  
16.         this.pdffile = new File(pdffile);  
17.     }  
18.   
19.     // 将pdf转为文本文档，参数为目标文件的路径  
20.     public void toTextFile(String targetfile) throws IOException {  
21.         toTextFile(targetfile, true);  
22.     }  
23.   
24.     // 将pdf转为文本文档，参数1为目标文件的路径，  
25.     // 参数2为true则表示使用PDF文件中的布局  
26.     public void toTextFile(String targetfile, boolean isLayout)  
27.             throws IOException {  
28.         String[] cmd = getCmd(new File(targetfile), isLayout);  
29.         Runtime.getRuntime().exec(cmd);  
30.     }  
31.   
32.     // 获取PDF转换器的路径  
33.     public String getCONVERTOR_STORED_PATH() {  
34.         return CONVERTOR_STORED_PATH;  
35.     }  
36.   
37.     // 设置PDF转换器的路径  
38.     public void setCONVERTOR_STORED_PATH(String path) {  
39.         if (!path.trim().endsWith("\\"))  
40.             path = path.trim() + "\\";  
41.         this.CONVERTOR_STORED_PATH = path;  
42.     }  
43.   
44.     // 解析命令行参数  
45.     private String[] getCmd(File targetfile, boolean isLayout) {  
46.   
47.         // 命令字符  
48.         String command = CONVERTOR_STORED_PATH + CONVERTOR_NAME;  
49.         // PDF文件的绝对路径  
50.         String source_absolutePath = pdffile.getAbsolutePath();  
51.         // 输出文本文件的绝对路径  
52.         String target_absolutePath = targetfile.getAbsolutePath();  
53.         // 保持原来的layout  
54.         String layout = "-layout";  
55.         // 设置编码方式  
56.         String encoding = "-enc";  
57.         String character = "GBK";  
58.         // 设置不打印任何消息和错误  
59.         String mistake = "-q";  
60.         // 页面之间不加入分页  
61.         String nopagebrk = "-nopgbrk";  
62.         // 如果isLayout为false，则设置不保持原来的layout  
63.         if (!isLayout)  
64.             layout = "";  
65.         return new String[] { command, layout, encoding, character, mistake,  
66.                 nopagebrk, source_absolutePath, target_absolutePath };  
67.     }  
68. }  

运行结果还是挺可观的，如下图，格式什么的还是在的。

附上项目源码下载地址