java解析pdf

   最近遇到需求解析pdf,具体需求为解析处pdf文件中的标题,内容,图片,表格等信息,并分类存储。查遍某度也没有找到方法,问了https://www.e-iceblue.cn/的技术,也做不到。无奈只能按页提取到文本和图片了,而且顺序也是错乱的。代码如下,希望能对类似需求的小伙伴有所帮助。
    不过虽然pdf没搞定,但是搞定了word(doc、docx)的解析,后续会更新出来与大家分享。当然如果有小伙伴解决了pdf的解析还请多多指教


需要依赖:
<dependency>
    <groupId>org.apache.pdfbox</groupId>
    <artifactId>pdfbox</artifactId>
    <version>2.0.24</version>
</dependency>
<repository>
        <id>com.e-iceblue</id>
        <name>e-iceblue</name>
        <url>http://repo.e-iceblue.cn/repository/maven-public/</url>
</repository>
测试代码如下:

package com.aiwrite.file.utils.pdf;


import com.aiwrite.common.core.constant.FileConstants;
import com.aiwrite.file.utils.FileUploadUtils;
import com.spire.pdf.PdfDocument;
import com.spire.pdf.PdfPageBase;
import com.spire.pdf.exporting.PdfImageInfo;
import com.spire.pdf.widget.PdfPageCollection;
import org.apache.commons.lang3.ObjectUtils;
import org.apache.pdfbox.io.RandomAccessFile;
import org.apache.pdfbox.pdfparser.PDFParser;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

import javax.imageio.ImageIO;
import java.awt.geom.Rectangle2D;
import java.awt.image.BufferedImage;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileWriter;
import java.io.IOException;


/**
 * @BelongsProject: aiwrite
 * @BelongsPackage: com.aiwrite.file.utils
 * @Author: zhousc
 * @CreateTime: 2022-06-12  17:31
 * @Description: TODO
 * @Version: 1.0
 */
public class ParsePdfUtilTest {

    public static void main(String[] args) {
        String basePath = "E:\\123\\";
        String pdfPath = basePath + "认证授权开发手册.pdf";

        /* =================================================================================== */
        System.out.println(" ==================== pdf parse begin !!! ==================== ");
        long l = System.currentTimeMillis();

        try {

//            testPdf(pdfPath, basePath);

            printPdfInfo(pdfPath);

//            readPDF(pdfPath);
        } catch (Exception e) {
            e.printStackTrace();
        }

        long l1 = System.currentTimeMillis();
        System.out.println(" ==================== pdf parse success !!! 共耗时 " + (l1 -l) + " ms ==================== ");
        /* =================================================================================== */
    }


    public static void printPdfInfo(String filePath) throws Exception {
        //加载测试文档
        PdfDocument pdf = new PdfDocument();
        pdf.loadFromFile(filePath);
        // 按每页获取文件内容
        PdfPageCollection pages = pdf.getPages();
        // pdf每页对象
        PdfPageBase page;
        if (pages.getCount() > 0) {
            for (int i = 0; i < pages.getCount(); i++) {
                page = pages.get(i);
                System.out.println(" >>>>> >>>>> >>>>> >>>>> >>>>> 第 " + (i + 1) + " 页 <<<<< <<<<< <<<<< <<<<< <<<<< ");
                System.out.println(" ***** ***** ***** ***** ***** 内容如下 ***** ***** ***** ***** ***** ");
                // 按原内容格式输出
                String text = page.extractText(true);
                System.out.println(text.replace("Evaluation Warning : The document was created with Spire.PDF for Java.",""));

                // 判断是否有图片
                PdfImageInfo[] imagesInfo = page.getImagesInfo();
                for (PdfImageInfo pdfImageInfo : imagesInfo) {
                    Rectangle2D bounds = pdfImageInfo.getBounds();
                    int index = pdfImageInfo.getIndex();
                    String base64 = FileUploadUtils.BufferedImageToBase64(pdfImageInfo.getImage());
                    System.out.println(" ===== ===== ===== ===== ===== 图片坐标信息如下 ===== ===== ===== ===== ===== ");
                    System.out.println(" index: " + index + "; x: " +bounds.getX() + "; y: " + bounds.getY());
//                    System.out.println(" base64: " + base64);
                }
//                BufferedImage[] bufferedImages = page.extractImages(true);
//                if (ObjectUtils.isNotEmpty(bufferedImages)) {
//                    for (BufferedImage bufferedImage : bufferedImages) {
//                        System.out.println(" ===== ===== ===== ===== ===== 图片信息如下 ===== ===== ===== ===== ===== ");
//                        System.out.println(bufferedImage);
//                    }
//                }
            }
        }
        pdf.close();
    }



    public static void testPdf(String filePath, String outPath) throws IOException {
        //加载测试文档,实例化StringBuilder类
        PdfDocument pdf = new PdfDocument(filePath);
        //定义一个int型变量
        StringBuilder sb = new StringBuilder();
        //遍历PDF文档中每页
        int index = 0;
        PdfPageBase page;
        for (int i = 0; i < pdf.getPages().getCount(); i++) {
            page = pdf.getPages().get(i);
            //调用extractText()方法提取文本
            sb.append(page.extractText(true));
            FileWriter writer;
            try {
                //将StringBuilder对象中的文本写入到txt
                writer = new FileWriter(outPath + "ExtractText.txt");
                writer.write(sb.toString());
                writer.flush();
            } catch (IOException e) {
                e.printStackTrace();
            }
            //调用extractImages方法获取图片
            if (ObjectUtils.isNotEmpty(page.extractImages())) {
                //指定输出图片名,指定图片格式
                for (BufferedImage image : page.extractImages()) {
                    File output = new File(String.format(outPath + "Image_%d.png", index++));
                    ImageIO.write(image, FileConstants.PICTURE_PNG, output);
                }
            }
        }
        pdf.close();
    }




    /**
     * 读PDF文件,使用了pdfbox开源项目
     * @param fileName
     */
    public static void readPDF(String fileName) {
        File file = new File(fileName);
        FileInputStream in = null;
        try {
            in = new FileInputStream(fileName);
            // 新建一个PDF解析器对象
            PDFParser parser = new PDFParser(new RandomAccessFile(file,"rw"));
            // 对PDF文件进行解析
            parser.parse();
            // 获取解析后得到的PDF文档对象
            PDDocument pdfdocument = parser.getPDDocument();
            // 新建一个PDF文本剥离器
            PDFTextStripper stripper = new PDFTextStripper();
            //sort设置为true 则按照行进行读取,默认是false
            stripper .setSortByPosition(true);
            // 从PDF文档对象中剥离文本
            String result = stripper.getText(pdfdocument);
            // 写入到文件
//            FileWriter fileWriter = new FileWriter(new File("pdf.txt"));
//            fileWriter.write(result);
//            fileWriter.flush();
//            fileWriter.close();
            System.out.println("PDF文件的文本内容如下:");
            System.out.println(result);

        } catch (Exception e) {
            System.out.println("读取PDF文件" + file.getAbsolutePath() + "生失败!" + e);
            e.printStackTrace();
        } finally {
            if (in != null) {
                try {
                    in.close();
                } catch (IOException e1) {
                }
            }
        }
    }
}
  • 2
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值