Java提取PDF文件中的数据

Java提取PDF文件中的数据

PDFBox

PDFBox是一个开源的Apache的开源Java库,用来支持PDF文档的开发和转换,内载了对于PDF执行的各种操作方法.Apache PDFBox 还包括几个命令行实用程序。Apache PDFBox 在 Apache License v2.0 下发布。

PDFBox的组件

组件	内容
PDFBox	这是PDFBox的主要部分。 它包含与内容提取和操作相关的类和接口
FontBox	它包含与font相关的类和接口，使用这些类我们可以修改PDF文档的文本字体
XmpBox	包含处理XMP元数据的类和接口
Preflight	此组件用于根据PDF/A-1b标准验证PDF文件

Maven项目导入依赖

<dependencies>
<dependency>
        <groupId>org.apache.pdfbox</groupId>
        <artifactId>pdfbox</artifactId>
        <version>2.0.21</version>
</dependency>
<dependency>
        <groupId>org.apache.pdfbox</groupId>
        <artifactId>fontbox</artifactId>
        <version>2.0.21</version>
</dependency>
<dependency>
        <groupId>org.apache.pdfbox</groupId>
        <artifactId>jempbox</artifactId>
        <version>1.8.13</version>
</dependency>
<dependency>
         <groupId>org.apache.pdfbox</groupId> 
         <artifactId>xmpbox</artifactId> 
         <version>2.0.0</version> 
</dependency>
<dependency> 
         <groupId>org.apache.pdfbox</groupId> 
         <artifactId>preflight</artifactId> 
         <version>2.0.0</version> 
</dependency> 
<dependency> 
         <groupId>org.apache.pdfbox</groupId> 
         <artifactId>pdfbox-tools</artifactId> 
         <version>2.0.0</version> 
</dependency>
<dependencies>

读取文字型PDF文档的例子

public class ReadChar
{
	private String pdfpath="";//PDF文件的路径
	private String outputPath="";//以txt文件输出的路径
	private File[] files=null;
	public static void main(String[] args)
	{
		try
		{
				File pdfpath=new File(pdfpath);
           		files=pdfpath.listFiles();
           		for(File file:files)
           		{
					 PDDocument doc=PDDocument.load(file);
               		 int pagenum=doc.getNumberOfPages();
          		     FileOutputStream fos=new FileOutputStream( outputPath+"/"+file.getName().replace(".pdf","")+".txt");
       		         Writer writer=new OutputStreamWriter(fos,"UTF-8");
       		         PDFTextStripper stripper=new PDFTextStripper();
     		         stripper.setSortByPosition(true);
     		         stripper.setStartPage(0);
    		         stripper.setEndPage(pagenum);
     		         stripper.writeText(doc,writer);
     		         writer.close();
     		         doc.close();
				}
		}
		catch(Exception e)
		{
			e.printStackTrace();
		}
	}
}

读取图片型PDF文档的例子

public class ReadImg
{
	private String pdfpath="";//PDF文件的路径
	private String outputPath="";//以图片文件输出的路径
	private File[] files=null;
	public static void main()
	{
	 try
        {
            File pdfpath = new File(Init.PDFPath());
            files=pdfpath.listFiles();
            for(File file:files)
            {
                PDDocument doc=PDDocument.load(file);
                BufferedOutputStream outputStream=null;
                int pageCount=doc.getNumberOfPages();
                PDFRenderer pdfRenderer=new PDFRenderer(doc);
                for(int i=0;i<pageCount;i++)
                {
                    String imgpath=outputPath+"/"+file.getName().replace(".pdf","");
                    File img_temp=new File(imgpath);
                    if(!img_temp.exists())
                    {
                        img_temp.mkdir();
                    }
                    imgpath=imgpath+"/"+file.getName().replace(".pdf","");
                    imgpath=imgpath+"_"+i+".png";
                    outputStream = new BufferedOutputStream(new FileOutputStream(imgpath));
                    BufferedImage image = pdfRenderer.renderImageWithDPI(i, 90, ImageType.RGB);
                    ImageIO.write(image, "png", outputStream);
                    outputStream.close();
                    System.out.println("The "+file.getName()+"'s"+i+"' has complete");
                }
            }

        }
        catch (Exception e)
        {
            e.printStackTrace();
        }
}
}