Java PDF文件简介和解析

PDF

• Portable Document Format 的简称，意为“便携式文档格式”
• Adobe公司方法
• PostScript，用以生成和输出图形，在任何打印机上都可以保证精准的的颜色和准确的打印效果
• 字型嵌入系统，可使字型随文件一起传输
• 结构化的存储系统，绑定元素和任何相关内容到单个文件，带有适当的数据压缩系统

处理和第三方包

• 常见功能处理
  – 解析PDF
  – 生成PDF(其他类型文件转化)
• 第三方包
  – Apache PDFBox
  – iText（收费）
  – XDocReport（将docx转化为PDF）

PDFBox

• 纯Java类库
• 主要功能：创建，提取文本，分隔/合并/删除…
• 主要类
  – PDDocument pdf文档对象
  – PDFTextStripper pdf文本对象
  – PDFMergerUtility 合并工具

//抓取PDF文件的文本
public static void main(String[] args){
   

        File pdfFile = new File("simple.pdf");
        PDDocument document = null;
        try
        {
   
            document=PDDocument.load(pdfFile);  //pdf文件的加载
            
            AccessPermission ap = document.getCurrentAccessPermission();
            if (!ap.canExtractContent()) //判定有没有安全设置
            {
   
                throw new IOException("你没有权限抽取文本");
            }
            // 获取页码
            int pages = document.getNumberOfPages();

            // 读文本内容
            PDFTextStripper stripper=new PDFTextStripper();
            // 设置按顺序输出
            stripper.setSortByPosition(true);
            stripper.setStartPage(1);  //起始页
            stripper.setEndPage(pages);//结束页
            String content = stripper.getText(document);
            System.out.println(content);      
        }
        catch(Exception e)
        {
   
            System.out.pri