PDF文件解析大法

pdf 解析的开源代码较多，一般常用的 spirePdf 、pdfbox 等。下面就对这两种类解析方式的demo附上，以便温故而知新~

首先看下 pdfbox 的demo

package com.company.PDF;

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

import java.io.FileInputStream;
public class pdfUtil {
    public static void main(String[] args)  throws Exception{
       PDDocument document = PDDocument.load(new FileInputStream("D:\\a.pdf"));
        document.getClass();
        //使用PDFTextStripper 工具
        PDFTextStripper tStripper = new PDFTextStripper();
        //设置文本排序，有规则输出
        tStripper.setSortByPosition(true);
        //获取所有文字信息
        String info = tStripper.getText(document);
        String lines[] = info.split("\\r?\\n");
        System.out.println(info);
    }
}

注意这种解析出来的去除了多余的空格，将数据按行解析

下面看下 spirePdf的demo

package com.company.PDF;

import com.spire.pdf.PdfDocument;
import com.spire.pdf.PdfPageBase;

public class SpirePdfUtil {
    public static void main(String[] args) {
        String content = "";

        // 创建PdfDocument实例
        PdfDocument doc = new PdfDocument();
        // 加载PDF文件
        doc.loadFromFile("D:\\a.pdf");

        // 创建StringBuilder实例
        StringBuilder sb = new StringBuilder();

        PdfPageBase page;
        // 遍历PDF页面，获取每个页面的文本并添加到StringBuilder对象
        for (int i = 0; i < doc.getPages().getCount(); i++) {
            page = doc.getPages().get(i);
            sb.append(page.extractText(true));
        }
        content = sb.toString();
        System.out.println(content);
    }
}

这种解析出来的文本会保持空格 ，数据也是按行解析

当数据解析后，我们可以使用换行符将文本 String lines[] = content.split(“\r?\n”); 分割成字符串数组，然后对每一行进行处理。当我们解析的文本不是很规范时，往往需要根据字段名称 去定位 具体取值，这时候我们可以用 spirePdf 去解析。另外这两个工具类还有很多其他强大的功能，可以参考具体api。
相关jar包，点击 这里 下载！