java读取pdf文件的图片和文字内容

引用的jar包:

pdfbox-1.8.13.jar

fontbox-1.8.13.jar


public static void main(String[] args) {
PDFReader pdfReader1 = new PDFReader();
pdfReader1.pdfReader("C:/Users/Administrator/Desktop/2017_PDF.pdf");
}


/**
* 导出pdf中的图片(有问题)

* @param filename
*/
public static void extractImage(String filename) {
PdfReader reader = null;
try {
// 读取pdf文件
reader = new PdfReader(filename);
// 获得pdf文件的页数
int sumPage = reader.getNumberOfPages();
// 读取pdf文件中的每一页
for (int i = 1; i <= sumPage; i++) {
// 得到pdf每一页的字典对象
PdfDictionary dictionary = reader.getPageN(i);
// 通过RESOURCES得到对应的字典对象
PdfDictionary res = (PdfDictionary) PdfReader
.getPdfObject(dictionary.get(PdfName.RESOURCES));
// 得到XOBJECT图片对象
PdfDictionary xobj = (PdfDictionary) PdfReader.getPdfObject(res
.get(PdfName.XOBJECT));
if (xobj != null) {
for (Iterator it = xobj.getKeys().iterator(); it.hasNext();) {
PdfObject obj = xobj.get((PdfName) it.next());
if (obj.isIndirect()) {
PdfDictionary tg = (PdfDictionary) PdfReader
.getPdfObject(obj);
PdfName type = (PdfName) PdfReader.getPdfObject(tg
.get(PdfName.SUBTYPE));
if (PdfName.IMAGE.equals(type)) {
PdfObject object = reader.getPdfObject(obj);
if (object.isStream()) {
PRStream prstream = (PRStream) object;
byte[] b;
try {
b = reader.getStreamBytes(prstream);
} catch (UnsupportedPdfException e) {
b = reader.getStreamBytesRaw(prstream);
}
FileOutputStream output = new FileOutputStream(
String.format(
"d:/pdf/output%d.jpg", i));
output.write(b);
output.flush();
output.close();
}
}
}
}
}
}


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


/**
* 解析pdf文件
* @param fileName  pdf文件的路径
*/
public String pdfReader(String fileName) {
try {
InputStream inputStream = new BufferedInputStream(
new FileInputStream(new File(fileName)));
// PDFParser parser = new PDFParser( inputStream );
// parser.parse();
PDDocument pdfDocument = PDDocument.load(inputStream);
// PDDocument pdfDocument = parser.getPDDocument();
StringWriter writer = new StringWriter();
PDFTextStripper stripper = new PDFTextStripper();
stripper.writeText(pdfDocument, writer);
String contents = writer.getBuffer().toString();


/*
* PDDocumentInformation documentInformation =
* pdfDocument.getDocumentInformation(); System.out.println("标题:" +
* documentInformation.getTitle()); PDDocumentInformation info =
* pdfDocument.getDocumentInformation(); System.out.println("标题:" +
* info.getTitle()); System.out.println("主题:" + info.getSubject());
* System.out.println("作者:" + info.getAuthor());
* System.out.println("关键字:" + info.getKeywords());
* System.out.println("应用程序:" + info.getCreator());
* System.out.println("pdf 制作程序:" + info.getProducer());
* System.out.println("作者:" + info.getTrapped());
* System.out.println("创建时间:" + dateFormat(info.getCreationDate()));
* System.out.println("修改时间:" +
* dateFormat(info.getModificationDate()));
*/


/** 文档页面信息 **/
PDDocumentCatalog cata = pdfDocument.getDocumentCatalog();
//文档文字内容
String content = "";
List pages = cata.getAllPages();
int count = 1;
for (int i = 0; i < pages.size(); i++) {
PDPage page = (PDPage) pages.get(i);
if (null != page) {
// 本页面文字内容
StringWriter sw = new StringWriter();
PDFTextStripper pst = new PDFTextStripper();
pst.setStartPage(i + 1);
pst.setEndPage(i + 1);
pst.writeText(pdfDocument, sw);
content += sw.getBuffer().toString();
// System.out.println(content);
// PDResources res = page.findResources();
// 获取页面图片信息
// Map imgs = res.getImages();
// if (null != imgs) {
// Set keySet = imgs.keySet();
// Iterator it = keySet.iterator();
// while (it.hasNext()) {
// Object obj = it.next();
// PDXObjectImage img = (PDXObjectImage) imgs.get(obj);
// img.write2file("D:/pdf/" + count);
// count++;
// }
// }
}
}
return content;
} catch (Exception e) {
e.printStackTrace();
return "";
}
}
阅读更多
文章标签: java pdf 文字 图片
想对作者说点什么? 我来说一句

c#读取pdf中文本内容

2017年08月25日 49.17MB 下载

java识别pdf图片中的文字

2015年03月22日 7.35MB 下载

没有更多推荐了,返回首页

不良信息举报

java读取pdf文件的图片和文字内容

最多只允许输入30个字

加入CSDN,享受更精准的内容推荐,与500万程序员共同成长!
关闭
关闭