java解析PDF、WORD获取其中的表格以及文本内容

近期因工作需要需要解析PDF,需要把PDF中的文本和表格分离,最终要实现的目标是PDF中的文本内容放一块,表格内容放一块,以list的形式存储。解析PDF的技术有很多,经过多次尝试发现使用AdobeAcrobat可以实现表格和文本分离。

注意事项:

1、下载AdobeAcrobat进行安装
       链接:https://pan.baidu.com/s/1Ki2H4gxDaKj5z8Dli3amCg 
       提取码:ckfx

2、使用时如果有报jacob的错把jacob-1.18-M1-x64.dll、jacob-1.18-M1-x86.dll这两个文件放到Java>jdk1.8.0_271>bin目录下

3、引入依赖:

     <dependency>
       <groupId>jacob</groupId>
       <artifactId>jacob</artifactId>
       <version>1.1.8</version>
     </dependency> 
     <dependency>
	   <groupId>org.jsoup</groupId>
	   <artifactId>jsoup</artifactId>
	   <version>1.17.2</version>
	 </dependency>

工具类如下(内附PDF的文件转换方法以及获取纯文本和纯表格的测试方法):

package com.ylx.test.util;


import java.io.BufferedReader;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.IOException;
import java.io.InputStreamReader;
import java.nio.file.Files;
import java.nio.file.Paths;
import java.util.ArrayList;
import java.util.List;
import java.util.concurrent.Callable;
import java.util.concurrent.ExecutorService;
import java.util.concurrent.Executors;
import java.util.concurrent.Future;
import java.util.concurrent.TimeUnit;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

import org.apache.commons.lang.StringUtils;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import org.springframework.stereotype.Component;

import com.jacob.activeX.ActiveXComponent;
import com.jacob.com.ComThread;
import com.jacob.com.Dispatch;
import com.jacob.com.Variant;
/**
 * 
 * 2024年4月18日下午3:53:36
 */
@Component
public class PdfToHtmlAdobe {
	
	public static void main(String[] args) throws Exception {
		/**
		 * 将PDF转成html
		 * */
        String filepath = "E:\\工作\\";
		String htmlpath = "E:\\gongzuo\\zjk\\html_file\\";
		String filename = "cehi";
		Integer fileType = 1;//1.pdf,2word
		String ext = ".pdf";
		filedata(filepath, filename,htmlpath,fileType,ext);

        /**
		 * 获取纯文本
		 * */
		String htmlFilePath = "E:\\gongzuo\\html_file\\ceshi.html";
		List<String> dlList = getDLList(htmlFilePath);
		for (int i = 0; i < dlList.size(); i++) {
			System.out.println("第"+i+"条:"+dlList.get(i));
		}
		/**
		 * 获取所有表格
		 * */
		List<String> bgList = getAllTable(htmlFilePath);
		for (int i = 0; i < bgList.size(); i++) {
			System.out.println("第"+i+"条:"+bgList .get(i));
		}
		
	}
	
	public static String getRemoveTableStr(String htmlFilePath) throws IOException {
		String content = new String(Files.readAllBytes(Paths.get(htmlFilePath)),"GBK");
		String specialStr = removeContentStyle(content);
		// 使用 Jsoup 解析 HTML 字符串
        Document doc = Jsoup.parse(specialStr);

        // 获取纯文本
        String plainText = doc.text();
//		System.out.println(plainText);
        return plainText;
	}
	
	/**
	 * 获取所有的Table
	 * @param htmlFilePath
	 * @return
	 * @throws IOException
	 * 2024年4月19日下午3:36:39
	 */
	public static List<String> getAllTable(String htmlFilePath) throws IOException {
		List<String> bgList = new ArrayList<>();
		// 加载 HTML 文件
        File input = new File(htmlFilePath);
        
        try {
            // 解析 HTML 文件
            Document doc = Jsoup.parse(input, null);
            
            // 选择所有的表格元素
            Elements tables = doc.select("table");
            
            // 遍历每个表格元素
            for (Element table : tables) {
            	// 获取当前表格中的所有行
                Elements rows = table.select("tr");
                
              //创建StringBuilder类的实例
                StringBuilder builder = new StringBuilder();
                // 遍历每行
                for (Element row : rows) {
                    // 输出行内容
//                    System.out.println("行内容:");
//                    System.out.println(row.text());
                  //将获取的text写入StringBuilder容器
                    builder.append(row.text());
                    builder.append("\r\n");
                }
//                System.out.println("-----------------------------------------------");
//                System.out.println(builder.toString());
//                System.out.println("-----------------------------------------------");
                bgList.add(builder.toString());
            }
        } catch (IOException e) {
            e.printStackTrace();
        }
		return bgList;
	}
	
	/**
	 * 获取以10个逗号为一个段落的list
	 * @param content
	 * @return
	 * 2024年4月19日下午2:04:17
	 * @throws IOException 
	 */
	public static List<String> getDLList(String htmlFilePath) throws IOException {
		/**
		 * 删除Table表格
		 * */
		String content = getRemoveTableStr(htmlFilePath);
//		System.out.println(content);
//        String[] jhArr = content.split("。");
//        List<String> dlList = new ArrayList<String>();//10个句号为一个段落
//        String jhStrTen=new String();
//        int lastDl=0;
//        for (int i = 0; i < jhArr.length; i++) {
//        	if (i % 10 == 0 && i>0) {
//        		dlList.add(jhStrTen);
//        		if (jhArr.length-i>10) {
//        			jhStrTen="";
//				}
//        		if (jhArr.length-i<=10 && lastDl==0) {
//					lastDl = 1;
//					jhStrTen = "";
//				}
//			}else{
//				jhStrTen = jhStrTen +jhArr[i]+"。";
//				if ((i+1) == jhArr.length) {
//					dlList.add(jhStrTen);
//				}
//			}
//		}
        
        List<String> dlList = new ArrayList<>();
        int index = 0;
        while (index < content.length()) {
            int endIndex = index + 1; // 初始化结束索引
            for (int i = 0; i < 10; i++) {
                endIndex = content.indexOf("。", endIndex + 1); // 查找句号
                if (endIndex == -1) {
                    break; // 如果没有找到句号,跳出循环
                }
            }
            if (endIndex == -1) {
                endIndex = content.length(); // 如果不满十个句号,结束索引为字符串长度
            }
            dlList.add(content.substring(index, endIndex)); // 将段落添加到列表中
            index = endIndex + 1; // 更新起始索引
        }
        
		return dlList;
	}
	
	
	/**
	 * @param filepath  存放PDF的文件目录
	 * @param filename  不带后缀名的PDF文件
	 * @throws Exception
	 * 2024年4月18日下午3:31:55
	 */
	public static void filedata(String fileDir, String filename,String htmlPath,Integer fileType,String ext) throws Exception{
		final ExecutorService exec = Executors.newFixedThreadPool(1);  
        
        Callable<String> call = new Callable<String>() {  
            public String call() throws Exception {  
                //开始执行耗时操作  
            	if (fileType==1) {
            		//文件路径不存在则进行创建
            		FileUtils.createPath(htmlPath);
            		if (!FileUtils.isFileExists(htmlPath + filename + ".docx")) {
            			PDFtoWord(fileDir + filename + ".PDF", htmlPath + filename + ".docx");
            		}
            		if (!FileUtils.isFileExists(htmlPath + filename + ".html")) {
            			wordToHtml(htmlPath + filename + ".docx", htmlPath + filename + ".html");
            		}
				}
            	if (fileType==2){
            		//文件路径不存在则进行创建
            		FileUtils.createPath(htmlPath);
            		if (!FileUtils.isFileExists(htmlPath + filename + ".html")) {
            			wordToHtml(fileDir + filename + ext, htmlPath + filename + ".html");
            		}
				}
                return "线程执行完成.";
            }  
        };  
        try {
        	Future<String> future = exec.submit(call);
            String obj = future.get(1000 * 600, TimeUnit.MILLISECONDS); //任务处理超时时间设为 1 秒  
            System.out.println("文件转换:" + obj);
		} catch (Exception e) {
			//关闭Acrobat
    		String command = "taskkill /f /im Acrobat.exe";  
    		Runtime.getRuntime().exec(command);
			throw e;
		} finally {
			// 关闭线程池  
	        exec.shutdown(); 
		}
	}
	
	public static boolean wordToHtml(String inPath, String toPath) {
		ComThread.InitSTA();//初始化com的线程
		// 启动word

		ActiveXComponent axc = new ActiveXComponent("Word.Application");

		boolean flag = false;

		try {

			// 设置word不可见

			axc.setProperty("Visible", new Variant(false));

			Dispatch docs = axc.getProperty("Documents").toDispatch();

			// 打开word文档

			Dispatch doc = Dispatch.invoke(

					docs,

					"Open",

					Dispatch.Method,

					new Object[] { inPath, new Variant(false), new Variant(true) },

					new int[1]).toDispatch();

			// 作为html格式保存到临时文件

			Dispatch.invoke(doc, "SaveAs", Dispatch.Method, new Object[] {

					toPath, new Variant(8) }, new int[1]);

			Variant f = new Variant(false);

			Dispatch.call(doc, "Close", f);
			
			axc.invoke("Quit", new Variant[] {});

			flag = true;

			return flag;

		} catch (Exception e) {

			e.printStackTrace();

			return flag;

		} finally {
			
			ComThread.Release();//关闭com的线程   真正kill进程
		}

	}

	public static boolean PDFtoWord(String source, String target) {
		ComThread.InitSTA();//初始化com的线程
		// pdfActiveX PDDoc对象 主要建立PDF对象
		ActiveXComponent app = null ;
		try {
			File inPath = new File(source);
			File outPath = new File(target);
			app = new ActiveXComponent("AcroExch.PDDoc");
			// PDF控制对象
			Dispatch pdfObject = app.getObject();
			long start = System.currentTimeMillis();
			// 打开PDF文件,建立PDF操作的开始
			Dispatch.call(pdfObject, "Open", new Variant(inPath.getAbsolutePath()));
			Variant jsObj = Dispatch.call(pdfObject, "GetJSObject");
			Dispatch.call(jsObj.getDispatch(), "SaveAs", outPath.getPath(), "com.adobe.acrobat.docx");
			app.invoke("Close");
			// 关闭PDF
			app.invoke("Close", new Variant[] {});
			long end = System.currentTimeMillis();
		} catch (Exception e) {
			System.out.println(e.getMessage());
		} finally {
			ComThread.Release();//关闭com的线程   真正kill进程
		}
		
		return true;
	}
	
	public static String chineseDate(String chineseDate){
		String aa4 = chineseDate.substring(chineseDate.indexOf("年")-2, chineseDate.indexOf("年"));
		String aa1 = chineseDate.substring(chineseDate.indexOf("年"),chineseDate.indexOf("月")+1);
		String aa2 = chineseDate.substring(chineseDate.indexOf("月")+1,chineseDate.indexOf("日"));
		String aa3 = chineseDate.substring(chineseDate.indexOf("日"));
		aa1 = aa1.replaceAll("十二", "12");
		aa1 = aa1.replaceAll("十一", "11");
		aa1 = aa1.replaceAll("十", "10");
		aa1 = aa1.replaceAll("一", "1");
		aa1 = aa1.replaceAll("二", "2");
		aa1 = aa1.replaceAll("三", "3");
		aa1 = aa1.replaceAll("四", "4");
		aa1 = aa1.replaceAll("五", "5");
		aa1 = aa1.replaceAll("六", "6");
		aa1 = aa1.replaceAll("七", "7");
		aa1 = aa1.replaceAll("八", "8");
		aa1 = aa1.replaceAll("九", "9");
		aa1 = aa1.replaceAll("零", "0");
		aa1 = aa1.replaceAll("〇", "0");
		aa1 = aa1.replaceAll("○", "0");
		aa1 = aa1.replaceAll("O", "0");
		aa1 = aa1.replaceAll("", "0");
		aa4 = aa4.replaceAll("十二", "12");
		aa4 = aa4.replaceAll("十一", "11");
		aa4 = aa4.replaceAll("十", "10");
		aa4 = aa4.replaceAll("一", "1");
		aa4 = aa4.replaceAll("二", "2");
		aa4 = aa4.replaceAll("三", "3");
		aa4 = aa4.replaceAll("四", "4");
		aa4 = aa4.replaceAll("五", "5");
		aa4 = aa4.replaceAll("六", "6");
		aa4 = aa4.replaceAll("七", "7");
		aa4 = aa4.replaceAll("八", "8");
		aa4 = aa4.replaceAll("九", "9");
		aa4 = aa4.replaceAll("零", "0");
		aa4 = aa4.replaceAll("〇", "0");
		aa4 = aa4.replaceAll("○", "0");
		aa4 = aa4.replaceAll("O", "0");
		aa4 = aa4.replaceAll("", "0");
		return 20+aa4+aa1+chineseNumber(aa2)+aa3;
	}
	
	/**
     * 中文數字转阿拉伯数组【十万九千零六十  --> 109060】
     * @param chineseNumber
     * @return
     */
    private static String chineseNumber(String chineseNumber){
        int result = 0;
        int temp = 1;//存放一个单位的数字如:十万
        int count = 0;//判断是否有chArr
        char[] cnArr = new char[]{'一','二','三','四','五','六','七','八','九'};
        char[] chArr = new char[]{'十','百','千','万','亿'};
        for (int i = 0; i < chineseNumber.length(); i++) {
            boolean b = true;//判断是否是chArr
            char c = chineseNumber.charAt(i);
            for (int j = 0; j < cnArr.length; j++) {//非单位,即数字
                if (c == cnArr[j]) {
                    if(0 != count){//添加下一个单位之前,先把上一个单位值添加到结果中
                        result += temp;
                        temp = 1;
                        count = 0;
                    }
                    // 下标+1,就是对应的值
                    temp = j + 1;
                    b = false;
                    break;
                }
            }
            if(b){//单位{'十','百','千','万','亿'}
                for (int j = 0; j < chArr.length; j++) {
                    if (c == chArr[j]) {
                        switch (j) {
                        case 0:
                            temp *= 10;
                            break;
                        case 1:
                            temp *= 100;
                            break;
                        case 2:
                            temp *= 1000;
                            break;
                        case 3:
                            temp *= 10000;
                            break;
                        case 4:
                            temp *= 100000000;
                            break;
                        default:
                            break;
                        }
                        count++;
                    }
                }
            }
            if (i == chineseNumber.length() - 1) {//遍历到最后一个字符
                result += temp;
            }
        }
        return String.valueOf(result);
    }
    
    
    /**
	 *  读取本地html文件里的html代码
	 * @return
	 */
	public static String toHtmlString(File file) {
	    // 获取HTML文件流
	    StringBuffer htmlSb = new StringBuffer();
	    try {
	        BufferedReader br = new BufferedReader(new InputStreamReader(
	                new FileInputStream(file), "GBK"));
	        while (br.ready()) {
	            htmlSb.append(br.readLine());
	        }
	        br.close();
	        // 删除临时文件
	        //file.delete();
	    } catch (FileNotFoundException e) {
	        e.printStackTrace();
	    } catch (IOException e) {
	        e.printStackTrace();
	    }
	    // HTML文件字符串
	    String htmlStr = htmlSb.toString();
	    // 返回经过清洁的html文本
	    return htmlStr;
	}
	
	/**
     * 符合以特定字符串开头 ,以特定字符串结尾的所有结果
     */
    public static String getSpecialStr(String line, String pattern) {
            // 创建 Pattern 对象
            Pattern r = Pattern.compile(pattern);
            // 创建 matcher 对象
            Matcher m = r.matcher(line);
            String str = "";
            if (m.find()) {
                    str = m.group(2);
            }
            if (StringUtils.isEmpty(str)) {
                    return str;
            } else {
                    return str.substring(0, str.length() - 1);
            }
    }
    /**
     * 清除文件中的table
     *
     * @param content
     *            公告内容
     * @return 字符串结果集
     */
    public static String removeContentStyle(String content) {
            String regEx = "<table(.*?)</table>";
            Pattern p = Pattern.compile(regEx);
            Matcher m = p.matcher(content);
            if (m.find()) {
                    content = m.replaceAll("");
            }
//            String regEx2 = " style=\"([\\s\\S]*?)\"";
//            Pattern p2 = Pattern.compile(regEx2);
//            Matcher m2 = p2.matcher(content);
//            if (m2.find()) {
//                    content = m2.replaceAll("");
//            }
//            String regEx3 = " border=\"(.*?)\"";
//            Pattern p3 = Pattern.compile(regEx3);
//            Matcher m3 = p3.matcher(content);
//            if (m3.find()) {
//                    content = m3.replaceAll(" border=\"1\" ");
//            }
//
//            String regEx4 = " class=.*?\\>";
//            Pattern p4 = Pattern.compile(regEx4);
//            Matcher m4 = p4.matcher(content);
//            if (m4.find()) {
//                    content = m4.replaceAll("\\>");
//            }
//            String regEx5 = "\\<!--(.*?)--\\>";
//            Pattern p5 = Pattern.compile(regEx5);
//            Matcher m5 = p5.matcher(content);
//            if (m5.find()) {
//                    content = m5.replaceAll("");
//            }
//            String regEx6 = "\\<o:p(.*?)/o:p\\>";
//            Pattern p6 = Pattern.compile(regEx6);
//            Matcher m6 = p6.matcher(content);
//            if (m6.find()) {
//                    content = m6.replaceAll("");
//            }
//            String regEx7 = "\\<!(.*?)\\>";
//            Pattern p7 = Pattern.compile(regEx7);
//            Matcher m7 = p7.matcher(content);
//            if (m7.find()) {
//                    content = m7.replaceAll("");
//            }
//            String regEx8 = "\\<font(.*?)\\>";
//            Pattern p8 = Pattern.compile(regEx8);
//            Matcher m8 = p8.matcher(content);
//            if (m8.find()) {
//                    content = m8.replaceAll("");
//            }
            return content;
    }
    
}

  • 3
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 2
    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 2
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