前言
女朋友写论文需要用python进行文本分析(她说python无法用pdf文件进行分析,目前还没学python不清楚这是真的假的,这里先打个问号)。让我用Java写个小程序将pdf文件转为txt文件。
首先在CSDN上面参考了一个大哥的代码,主体部分都能实现,不过一次只能转一个文件,还需要输入文件名。女朋友让我转472个文件,改了一下代码,能实现批量转换的功能。
为了方便以后需要的时候直接用,不用再写一遍,代码如下:(包也一起放进来了)。
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.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.util.PDFTextStripper;
public class PdfToTxt {
public static void main(String[] args) {
try {
//这里放文件夹名
String dir="D://IDEA//pdf//251-472";
File file = new File(dir);
//获取文件夹下的所有文件
File[] files = file.listFiles();
//循环转换为txt文件
for(File item:files){
readPdf("D://IDEA//pdf//251-472//"+ item.getName() );
}
} catch (Exception e) {
e.printStackTrace();
}
}
/**
* 传入一个.pdf文件
* @param file
* @throws Exception
*/
public static void readPdf(String file) throws Exception {
long time1;
long time2;
time1= System.currentTimeMillis();
// 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,生成文本文件
Writer output = null;
// 内存中存储的PDF Document
PDDocument document = null;
try {
try {
// 首先当作一个URL来装载文件,如果得到异常再从本地文件系统//去装载文件
URL url = new URL(pdfFile);
//注意参数已不是以前版本中的URL.而是File。
document = PDDocument.load(pdfFile);
// 获取PDF的文件名
String fileName = url.getFile();
// 以原来PDF的名称来命名新产生的txt文件
if (fileName.length() > 4) {
File outputFile = new File(fileName.substring(0, fileName.length() - 4)+ ".txt");
textFile ="F:/SJXLX/"+outputFile.getName();
}
} catch (MalformedURLException e) {
// 如果作为URL装载得到异常则从文件系统装载
//注意参数已不是以前版本中的URL.而是File。
document = PDDocument.load(pdfFile);
if (pdfFile.length() > 4) {
textFile = pdfFile.substring(0, pdfFile.length() - 4)+ ".txt";
}
}
// 文件输入流,写入文件倒textFile
output = new OutputStreamWriter(new FileOutputStream(textFile),encoding);
// PDFTextStripper来提取文本
PDFTextStripper stripper = null;
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);
time2= System.currentTimeMillis();
long time=time2-time1;
System.out.println(textFile + " 输出成功!"+" 时长"+time/1000+"秒");
} finally {
if (output != null) {
// 关闭输出流
output.close();
}
if (document != null) {
// 关闭PDF Document
document.close();
}
}
}
}