apahce 孵化器中有一个项目是pdfbox,这是一个操作处理pdf的jar包
可以实现的方法有
pdf信息提取:
将pdf内容提取到txt文档中,不过图表、格式都有遗失
pdf截取
提取特定页码的pdf,例如pages=[1,2,3,4,5],将输出五个pdf文件,分别为原pdf的前五页。
pdf粘合
将几个pdf拼成一个新的pdf
pdf截取和pdf粘合都不会丢失图表、格式等信息
附上所需jar包
可以实现的方法有
pdf信息提取:
public void getContent(String file) throws Exception {
PDDocument pdf = PDDocument.load(file);
PDFTextStripper s = new PDFTextStripper();
s.setStartPage(1);
s.setEndPage(10);
String outfile = "1.txt";
Writer out = new OutputStreamWriter(new FileOutputStream(outfile), "utf8");
s.writeText(pdf, out);
}
将pdf内容提取到txt文档中,不过图表、格式都有遗失
pdf截取
@SuppressWarnings("unchecked")
public void getPdf(String file, int[] pages) throws Exception {
Splitter splitter = new Splitter();
PDDocument document = null;
List<PDDocument> documents = null;
document = PDDocument.load(file);
splitter.setSplitAtPage(1);// 将pdf分成单页
documents = splitter.split(document);
for (int i = 0; i < pages.length && pages[i] < documents.size(); i++) {
PDDocument doc = (PDDocument) documents.get(pages[i]);
FileOutputStream output = null;
COSWriter writer = null;
output = new FileOutputStream(pages[i] + ".pdf");// 输出文件
writer = new COSWriter(output);
writer.write(doc);
doc.close();
}
}
提取特定页码的pdf,例如pages=[1,2,3,4,5],将输出五个pdf文件,分别为原pdf的前五页。
pdf粘合
public void buildPdf(String[] files) throws Exception {
PDFMergerUtility u = new PDFMergerUtility();
PDDocument out = new PDDocument();
for (int i = 0; i < files.length; i++) {
PDDocument doc = PDDocument.load(files[i]);
u.appendDocument(out, doc);
doc.close();
}
FileOutputStream output = null;
COSWriter writer = null;
output = new FileOutputStream("out.pdf");// 输出文件
writer = new COSWriter(output);
writer.write(out);
out.close();
}
将几个pdf拼成一个新的pdf
pdf截取和pdf粘合都不会丢失图表、格式等信息
附上所需jar包