java 读取pdf各级标题_Java那些事之pdf读取

今天说说java中的pdf读取，实话说，这是一个很恼人的任务。现在网络上的pdf各种各样，分析出来的文本也是千差万别，目前最流行的jar包pdfbox也只能做到把文字分析出来，并无法很好的控制分析的顺序，格式，字体等信息。(也许可以，是我对pdfbox了解还不够，如果是这样的话，大家一定要告诉我~先谢过了哈。)这给后续的工作带来了很大的麻烦。比如我想提取pdf的一些关键词或标题等有用信息，而分析出来的文本大多没有规律可言，甚至不同pdf分析的顺序也不一样，有些分析出来第一行是标题，有些标题要到第十行甚至更靠后，总体说来这个任务远远没有达到我之前的预期。这里介绍一下，一个为了和大家交流一下，更重要的目的在于向各位高手们学习，看看大家是否有更好的办法来处理pdf的信息，而不光单单是读取pdf的字符串。

pdfbox的下载和配置我就不多说了，就跟加别的jar包没有区别。

下面直接上代码。

代码很简单，但是分析出来的内容也让人很抓狂，刚才说过了，什么格式的都有，甚至有些英文pdf分析出来词与词之间没有空格……有些又每个字母之间有空格，这到底是为什么呢？请教各位。

publicvoidget(String pdfPath)throwsException {

InputStream input=null;

File pdfFile=newFile( pdfPath );

PDDocument document=null;try{

input=newFileInputStream( pdfFile );//加载 pdf 文档PDFParser parser=newPDFParser(input);

parser.parse();

document=parser.getPDDocument();//获取内容信息PDFTextStripper pts=newPDFTextStripper();

String content="";try{

content=pts.getText( document );

}catch(Exception e)

{throwe;

}

System.out.println(content);

}catch(Exception e)

{throwe;

}finally{if(null!=input )

input.close();if(null!=document )

document.close();

}

}