用xpdf和pdfbox来处理中文PDF文档及其比较

最新推荐文章于 2023-11-19 03:30:00 发布

sail0323

最新推荐文章于 2023-11-19 03:30:00 发布

阅读量6k

点赞数

分类专栏：转载综合文章标签： xpdf pdfbox pdf解析

转载同时被 2 个专栏收录

65 篇文章 0 订阅

订阅专栏

综合

21 篇文章 0 订阅

订阅专栏

转自：http://emily2ly.iteye.com/blog/743552

我在以前的项目中使用的是pdfbox，在读取中文文档时可以读出大部分的文字，但是在数字、分页等地方还是不可避免的出现乱码。于是我在网上搜索，看有没有什么解决方法，看到有说法：

“PDFBox看起来非常的方便，它的API功能强大。甚至能和Lucene进行无缝的结合。但是它有一个致命的弱点，就是它不支持中文。要提取中文的文本，可以采用另一个非常出色的工具xpdf。”

于是我决定自己比较一下这两种方法处理中文pdf文档时在时间性能、读取效果等各个方面的效果。

一、关于XPDF和PDFBOX

1.xpdf

xpdf只是一个软件，通过java采用命令行调用，并获取输出结果，如此来说使用简单，但是相当受限，如：无法跨平台，无法处理特定格式（表格等），无法处理图片和其他附件。这种调用必定限制了它的灵活性。

2.pdfbox

pdfbox（一个BSD许可下的源码开放项目）是一个为开发人员读取和创建PDF文档而准备的纯Java类库。

二、XPDF的配置

1.工具包下载

点这里下载

我下载的是： xpdf-3.02pl4-win32.zip

另外还需要一个语言包： xpdf-chinese-simplified.tar.gz

2.工作路径设置

参考资料点这里

在本文中以 c:\xpdftest\xpdf 作为xpdf的工作路径。

将 xpdf-3.02p14-win32.zip 解压到 c:\xpdftest\xpdf 下。

将 xpdf-chinese-simplified.tar.gz 解压到 c:\xpdftest\xpdf\xpdf-chinese-simplified 下。

解压后的目录结构如图1所示：

3.修改配置文件

为了启用中文简体语言包，必须将 xpdf-chinese-simplified 目录下的 sample-xpdfrc 文件进行如下配置，并将其另存为xpdfrc 文件。

注意：此文件为配置文件，而且名称必须是 xpdfrc 。如果是别的名字，即使调用 pdftotext.exe 时，传入 ” -cfg xpdfrc2 ”来告诉 xpdf 配置文件的名字，好像 pdftotext.exe 也并没有使用这个配置文件。所以为了减少误解，请您将配置文件直接命名为 xpdfrc 。

修改 sample-xpdfrc 文件之一

在文件后面加上一段话：

Txt代码

#----- begin Chinese Simplified support package (2004-jul-27)
cidToUnicode Adobe-GB1 C:/xpdftest/xpdf/xpdf-chinese-simplified/Adobe-GB1.cidToUnicode
unicodeMap ISO-2022-CN C:/xpdftest/xpdf/xpdf-chinese-simplified/ISO-2022-CN.unicodeMap
unicodeMap EUC-CN C:/xpdftest/xpdf/xpdf-chinese-simplified/EUC-CN.unicodeMap
unicodeMap GBK C:/xpdftest/xpdf/xpdf-chinese-simplified/GBK.unicodeMap
cMapDir Adobe-GB1 C:/xpdftest/xpdf/xpdf-chinese-simplified/CMap
toUnicodeDir C:/xpdf/chinese-simplified/CMap
#displayCIDFontTT Adobe-GB1 /usr/..../gkai00mp.ttf
#----- end Chinese Simplified support package

注意：路径要跟自己配置的一样。

修改 sample-xpdfrc 文件之二

另外，配置文件中原先没有加上一个“ textPageBreaks ”控制。为了避免这个分页符号，我们需要在 sample-xpdfrc 文件 “text output control ”下面加上一段话：

Txt代码

# If set to "yes", text extraction will insert page
# breaks (form feed characters) between pages. This
# defaults to "yes".
textPageBreaks no

设置 textPageBreaks 为 no 的意思是：在 PDF 文档的两页之间不加入分页符号。之所以这样，是因为这个符号有时候会引起 SAX 解析 XML 上的困难。

修改 sample-xpdfrc 文件之三

配置文件中原先把 textEncoding 注释了。这样默认的字符集是 Latin1 。我们必须打开它，并且就是指定 textEncoding 为UTF-8 ，而不是 GB2312 。即修改这句话：

Txt代码

textEncoding UTF-8

三、PDFBOX的配置

请点这里查看PDFBOX的配置。

四、工程调用示范

在自己的常用工作环境下新建一个工程PdfTest，并在此工程下新建一个包pdfToText。

此包包括三个类：

TestPdfToText.java 包括Main函数，调用并测试xpdf和pdfbox对PDF文档的处理效果。

PdfboxToText.java 用pdfbox来处理PDF文档。

XpdfToText.java 用xpdf来处理PDF文档。

目录结构如图2所示：

在C盘根目录下有061231.pdf，在工程中相应设置路径进行测试，以下是源代码：

TestPdfToText.java

Java代码

package pdfToText;
/**
* 功能描述：测试用XPDF和PDFBOX来读取中文PDF文件生成TXT文件的效果
* @author Emily
* @Create 2010-03-07
*/
public class TestPdfToText {
/**
* @param args
*/
public static void main(String[] args) {
String rootPath = "c:\\061231";
//pdf文件路径
String pdffile = rootPath + ".pdf";
//用xpdf生成的txt文件路径
String xpdfToTxtfile = rootPath + "_xpdf.txt";
//用pdfbox生成的txt文件路径
String pdfboxToTxtfile = rootPath + "_pdfbox.txt";
//XPDF
try{
long begin = System.currentTimeMillis();
XpdfToText xpToTxt = new XpdfToText(pdffile);
xpToTxt.toTextFile(xpdfToTxtfile);
long end = System.currentTimeMillis();
System.out.println("xpdf\t cost:\t" + (end - begin) + " ms");
}catch(Exception e){
e.printStackTrace();
}
//PDFBOX
try{
long begin = System.currentTimeMillis();
PdfboxToText pbToTxt = new PdfboxToText(pdffile);
pbToTxt.toTextFile(pdfboxToTxtfile);
long end = System.currentTimeMillis();
System.out.println("pdfbox\t cost:\t" + (end - begin) + " ms");
}catch(Exception e){
e.printStackTrace();
}
}
}

PdfboxToText.java

Java代码

package pdfToText;
import java.io.BufferedWriter;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.FileWriter;
import java.io.IOException;
import org.pdfbox.pdfparser.PDFParser;
import org.pdfbox.pdmodel.PDDocument;
import org.pdfbox.util.PDFTextStripper;
public class PdfboxToText {
private String filePath;
public PdfboxToText(String filePath){
this.filePath = filePath;
}
public String getTextFromPdf(){
String result = null;
FileInputStream is = null;
PDDocument document = null;
try {
is = new FileInputStream(filePath);
PDFParser parser = new PDFParser(is);
parser.parse();
document = parser.getPDDocument();
PDFTextStripper stripper = new PDFTextStripper();
result = stripper.getText(document);
} catch (FileNotFoundException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
} finally {
if (is != null) {
try {is.close();}catch(IOException e){e.printStackTrace();}
}
if (document != null) {
try{document.close();}catch (IOException e){e.printStackTrace();}
}
}
return result;
}
public void toTextFile(String filePath){
String pdfContent = getTextFromPdf();
try{
File f = new File(filePath);
if(!f.exists()){
System.out.println("not exist");
f.createNewFile();
}
BufferedWriter output = new BufferedWriter(new FileWriter(f));
output.write(pdfContent);
output.close();
}catch (Exception e) {
e.printStackTrace();
}
}
}

XpdfToText.java

Java代码

package pdfToText;
import java.io.File;
import java.io.IOException;
public class XpdfToText {
// PDF文件名
private File pdffile;
// 转换器的存放位置，默认在c:\xpdftest\xpdf下面
private String CONVERTOR_STORED_PATH = "c:\\xpdftest\\xpdf\\";
// 转换器的名称，默认为pdftotext
private String CONVERTOR_NAME = "pdftotext";
// 构造函数，参数为pdf文件的路径
public XpdfToText(String pdffile) throws IOException {
this.pdffile = new File(pdffile);
}
// 将pdf转为文本文档，参数为目标文件的路径
public void toTextFile(String targetfile) throws IOException {
toTextFile(targetfile, true);
}
// 将pdf转为文本文档，参数1为目标文件的路径，
// 参数2为true则表示使用PDF文件中的布局
public void toTextFile(String targetfile, boolean isLayout)
throws IOException {
String[] cmd = getCmd(new File(targetfile), isLayout);
Runtime.getRuntime().exec(cmd);
}
// 获取PDF转换器的路径
public String getCONVERTOR_STORED_PATH() {
return CONVERTOR_STORED_PATH;
}
// 设置PDF转换器的路径
public void setCONVERTOR_STORED_PATH(String path) {
if (!path.trim().endsWith("\\"))
path = path.trim() + "\\";
this.CONVERTOR_STORED_PATH = path;
}
// 解析命令行参数
private String[] getCmd(File targetfile, boolean isLayout) {
// 命令字符
String command = CONVERTOR_STORED_PATH + CONVERTOR_NAME;
// PDF文件的绝对路径
String source_absolutePath = pdffile.getAbsolutePath();
// 输出文本文件的绝对路径
String target_absolutePath = targetfile.getAbsolutePath();
// 保持原来的layout
String layout = "-layout";
// 设置编码方式
String encoding = "-enc";
String character = "GBK";
// 设置不打印任何消息和错误
String mistake = "-q";
// 页面之间不加入分页
String nopagebrk = "-nopgbrk";
// 如果isLayout为false，则设置不保持原来的layout
if (!isLayout)
layout = "";
return new String[] { command, layout, encoding, character, mistake,
nopagebrk, source_absolutePath, target_absolutePath };
}
}

五、测试结果和总结

1.txt文件大小

一个大小为74KB的PDF文档经处理为txt文档后，大小明显减小。

经xpdf处理后生成了10KB的txt文件。

经pdfbox处理后生成了12KB的txt文件。

2.时间性能

从运行结果来看，xpdf处理的速度明显大大快于pdfbox的处理速度，几乎是1/10。

如图3所示。

3.读取效果

在设置了保持原PDF文档的布局的情况下，xpdf读取的效果如图4所示

若不保持原PDF文的的布局，xpdf读取的效果如图5所示

经pdfbox读取的效果如图6和图7所示。

4.分析总结

从以上调用结果可以发现，在时间性能和空间性能上，xpdf都明显优于pdfbox 。在最关键的读取效果上，pdfbox会自动在某些读取文字中加入一些格式，比如回车、空格等，造成了更不好的效果。至于在某些PDF文档的格式会读出乱码的情况上，两种方法读出的乱码都是比较一致的，这应该是由于这两个方法的缺陷造成的。

综上所示，如果不要求很高的移植性的话，采用xpdf应该是比较好的方法。