如何从pdf文件中提取有用信息

首先，需要学习PDFBox，PDFBox项目中有两个子项目：FontBox和JempBox。FontBox是一个处理PDF字体的Java类库，JempBox是一个处理XMP元数据的Java类库。
PDF文档内容流中的数据可以被看成是操作符和操作数组组成的序列，从实现的角度看，PDF数据是一系列基本对象的集合：数组、布尔型、字典、数字、字符串和二进制流。
PDFBox的主要包介绍参见这位同学写的博客：
http://blog.csdn.net/chszs/article/details/9026439
这里，实现了一个简单的PDF提取文字方法，对PDF文件的第一页进行了提取。

    import java.awt.Color;
    import java.io.FileInputStream;
    import java.io.FileNotFoundException;
    import java.io.IOException;

    import org.pdfbox.pdfparser.PDFParser;
    import org.pdfbox.pdmodel.PDDocument;
    import org.pdfbox.pdmodel.PDPage;
    import org.pdfbox.util.PDFTextStripper;
    import org.pdfbox.util.TextPosition;
    import org.pdfbox.util.TextPositionComparator;

    public class SimplePDFReader {
        /**
         * 这是一个简单的PDF读取方法，后续需要对输出的文字格式进行编辑
         * 输入：PDF路径
         * 输出：PDF文件中读取的文字
         */
        public static String getTextFromPDF(String pdfFilePath) {
            String result = null;
            FileInputStream is = null;
            PDDocument document = null;
            try {
                //使用文件输入流读取PDF存放路径
                is=new FileInputStream(pdfFilePath);
                //将输入流传入进行转换器PDFParser 
                PDFParser parser =new PDFParser(is);
                parser.parse();
                //从转换器获得PDDocument
                document= parser.getPDDocument();
                //将PDDocument放入文件剥离器PDFTextStripper剥离文字
                PDFTextStripper stripper = new  PDFTextStripper();
                //设置文本是否按照位置排序
                stripper.setSortByPosition(true);
                //设置起始页
                stripper.setStartPage(1);
                stripper.setEndPage(1);
                result=stripper.getText(document);
            } catch (IOException e) {
                // TODO Auto-generated catch block
                e.printStackTrace();
            } finally {
                if (is != null) {
                    try {
                        is.close();
                    } catch (IOException e) {
                        e.printStackTrace();
                    }
                }
                if (document != null) {
                    try {
                        document.close();
                    } catch (IOException e) {
                        // TODO Auto-generated catch block
                        e.printStackTrace();
                    }
                }
            }
            return result;
        }
    public static void main(String[] args) {
        String pdfFilePath="e:\\a\\1111.pdf";
        String resultString =null;
        resultString=getTextFromPDF(pdfFilePath);
        System.out.println(resultString);
     }  
    }

由于第一行文字中一班都包含了标题，我们可以这样提取下一行文字。

package PDFReader;

import java.io.File;
import java.io.FilenameFilter;

public class PaperNameMender {

    public static void changePaperName(String filePath) {
        //使用SimplePDFReader得到pdf文本
        String ts = SimplePDFReader.getTextFromPDF(filePath);
        //取得一行内容
        String result = ts.substring(0,ts.indexOf('\n'));
        System.out.println(result);
        //得到源文件名字中最后一个逗点.的位置
        int index =filePath.indexOf(".");
        int nextindex = filePath.indexOf(".", index+1);
        while(-1!=nextindex){
            index=nextindex;    
        }
        //合成新的文件名称
        String newFileName = filePath.substring(0, index)+" "+result.trim()+".pdf";
        File  originalFile = new File(filePath);
        //修改文件名
        originalFile.renameTo(new File(newFileName));
    }
    public static void main(String[] args) {
        String pdfFilePath="e:\\a\\1111.pdf";
        String resultString =null;
        changePaperName(pdfFilePath);

     }  
}

后续疑问：观察发现，一般PDF文件的标题的字体都是大于正文字体的。书上说可以扩展org.pdfbox.util.PDFTextStripper类，重写
processTextPosition 方法来遍历PDF文件中的TextPosition对象（主要思路就是比较currentFontSize和bigestFontSize大小），用一下方法简单提取最大字体的文字，但是我没有找到。
PDF文件中的图像如何提取（我这里不是说生成，而是把已有的图片从PDF抽取出来），pdfbox的ikvm版本和iTextSharp都不支持图片的提取（如何把字节流转成二进制流），这个有人说使用xpdf的pdftoimage（生成的是ppm，然后再转换成你想要的图片格式）可以。这篇博客方法好像可以，大家可以一试。
http://www.cnblogs.com/Yesi/p/4203686.html