java抽取pdf_使用itext抽取pdf内容

iText是著名的开放源码的站点sourceforge的一个项目，它是一个用于生成PDF文档的一个java开源库。通过iText不仅可以生成PDF或rtf的文档，而且可以将XML、Html文件转化为PDF文件。如果PDF是标记的且包含一个结构树，就可以借助于iText将PDF文档转换成XML文档(这往往取决于PDF文档是如何创建的)。另外还可以从页面中提取纯文本。iText还可以用来标识现有的PDF文档，以及对它们进行加密等。下面给出使用iText对图5.12所示的PDF转换为纯文本的方法、步骤。

(1)在Eclipse中新建一个Java工程。

(2)下载相应的iText-5.0.2.jar并放到对应的lib目录下。在工程中创建包并创建测试类，该类包含一个inspect方法用于从一个PDF中获取文本，它接受两个参数，分别是PDF文件路径和输出流，指定要提取的PDF文件的路径和读取PDF所用的输出流，比如：PDF路径为E://text.pdf。然后调用iText提供的PdfReader类和PdfTextExtractor类，将PDF格式的文本提取出来并写入txt文件中。部分代码如下：

import java.io.FileOutputStream;

import java.io.IOException;

import java.io.PrintWriter;

import com.itextpdf.text.DocumentException;

import com.itextpdf.text.pdf.PdfReader;

import com.itextpdf.text.pdf.parser.PdfTextExtractor;

public class PDF {

/** The resulting text file with info