（学习笔记）读取PDF/OFD文件

如何将pdf文件按页分割并解析内容

1.创建文件页存储对象

@Getter
@Setter
@ToString
public class DivisionPDFResult {
    /**
     * 页码
     */
    public int pageIndex;

    /**
     * 页内容字符串
     */
    public String text;

    /**
     * 是否成功
     */
    public Boolean isOk;
}

2.主方法

 /**
     * @param multipartFile
     * @description 分割PDF
     */
    public static List<DivisionPDFResult> divisionPDFByPage(MultipartFile multipartFile) {
        List<DivisionPDFResult> result = new ArrayList<>();
        //创建文件容器
        PDDocument document = null;
        try {
            document = PDDocument.load(multipartFile.getInputStream());
            //获取所有pdf页面
            PDPageTree pages = document.getDocumentCatalog().getPages();
            logger.info("+++++++++++++获取到媒体个数+++++++++++++++++++++++++++++++++++++++++++++++++" + pages.getCount());
            for (int i = 0; i < pages.getCount(); i++) {
                String text = StringUtil.EMPTY;
                DivisionPDFResult divisionPDFResult = new DivisionPDFResult();
                divisionPDFResult.setPageIndex(i + 1);
                divisionPDFResult.setIsOk(true);
                //取出当页内容
                PDResources resources = pages.get(i).getResources();
                // 二维码解析器
                QRCodeReader reader = new QRCodeReader();
                //解析失败不影响继续循环
                try {
                    // 遍历所有多媒体资源
                    for (COSName name : resources.getXObjectNames()) {
                        // 获取当前的多媒体元素
                        PDXObject obj = resources.getXObject(name);
                        // 如果多媒体元素是图片
                        if (obj instanceof PDImageXObject) {
                            // 以下几步将图片解析为BinaryBitmap
                            BufferedImage image = ((PDImageXObject) obj).getImage();
                            LuminanceSource source = new BufferedImageLuminanceSource(image);
                            BinaryBitmap bitmap = new BinaryBitmap(new HybridBinarizer(source));
                            // 尝试解析二维码，如果不是二维码，抛出异常
                            Result readCode = reader.decode(bitmap);
                            // 解析二维码获得的文本
                            text = readCode.getText();
                            break;
                        }
                    }
                    // 解析完PDF第1页所有的多媒体元素，没有二维码图片
                    if (StringUtil.isBlank(text)) {
                        // 然后将PDF第1页转为图片，然后解析二维码
                        // 将PDF第1页转为图片
                        PDFRenderer pdfRender = new PDFRenderer(document);
                        BufferedImage image = pdfRender.renderImageWithDPI(0, 296);
                        // 解析二维码获得的文本
                        LuminanceSource source = new BufferedImageLuminanceSource(image);
                        Binarizer binarizer = new HybridBinarizer(source);
                        BinaryBitmap bitmap = new BinaryBitmap(binarizer);
                        Result readCode = reader.decode(bitmap);
                        text = readCode.getText();
                    }
                } catch (Exception e) {
                    divisionPDFResult.setIsOk(false);
                }
                divisionPDFResult.setText(text);
                result.add(divisionPDFResult);
            }
        } catch (Exception e) {
            e.printStackTrace();
        } finally {
            if (document != null) {
                try {
                    document.close();
                } catch (Exception e) {
                    logger.error("PDDocument close error", document);
                }
            }
        }
        return result;
    }

3.轮询处理

List<DivisionPDFResult> fileLoadList = PDFUtils.divisionPDFByPage(multipartFile);
           JSON.toJSONString(fileLoadList));
            //取出解析成功的媒体文件
            fileLoadList.stream().filter(x -> x.getIsOk()).collect(Collectors.toList());
            if (fileLoadList.isEmpty()) {
                return mediaInvoiceList;
            }
            fileLoadList.forEach(x -> {
                MediaInvoice mediaInvoice = null;
                //这里我的文件是表格形式，就用split得到每个格子中的内容
                String[] content = x.getText().split(",");
                if (content.length > 0) {
                    ...
                    //数据处理
                }
            });

解析OFD文件：

    public String invoiceXml(MultipartFile file) {
        String xml = "";
        long doc_handler = 0;
        long s=System.currentTimeMillis();
        try {
            logger.info("ofd解析xml开始------");
            doc_handler = FPParser.openFile(file.getBytes());
            if (doc_handler == 0) {
                return xml;
        }
            xml = FPParser.getData(doc_handler);
            logger.info("ofd解析xml结束 {} 耗时{}------",xml,System.currentTimeMillis()-s);
        } catch (IOException e) {
            logger.error("invoiceXml error", e);
        } finally {
            FPParser.closeFile(doc_handler);
        }
        return xml;
    }



    public class FPParser {
        public static native	long openFile(byte[] doc_src);

        public static native	String getData(long doc_handler);

        public static native	int closeFile(long doc_handler);

    }


        //数据处理方法

            String xml = invoiceOfdUtilsService.invoiceXml(multipartFile);
            if(StringUtils.isEmpty(xml)){
                return null;
            }

            //TODO:xml格式转为MediaInvoice对象
            MediaInvoice mediaInvoice = new MediaInvoice();

                Document doc = DocumentHelper.parseText(xml);
                Element root = doc.getRootElement();
                List<Element> elements = root.elements();

                for (Element element : elements) {
                    System.out.println(element.getName("字段名称")+element.getTextTrim());
                }