使用PDFBox处理PDF文档

前面的介绍文本是转载的，实际上和一本书上的内容大致相同（除了代码）。

1、使用PDFBox处理PDF文档

PDF全称Portable Document Format，是Adobe公司开发的电子文件格式。这种文件格式与操作系统平台无关，可以在Windows、Unix或Mac OS等操作系统上通用。

PDF文件格式将文字、字型、格式、颜色及独立于设备和分辨率的图形图像等封装在一个文件中。如果要抽取其中的文本信息，需要根据它的文件格式来进行解析。幸好目前已经有不少工具能帮助我们做这些事情。

2、PDFBox的下载

最常见的一种PDF文本抽取工具就是PDFBox了，访问网址http://sourceforge.net/projects/pdfbox/，进入如图7-1所示的下载界面。读者可以在该网页下载其最新的版本。本书采用的是PDFBox-0.7.3版本。PDFBox是一个开源的Java PDF库，这个库允许你访问PDF文件的各项信息。在接下来的例子中，将演示如何使用PDFBox提供的API，从一个PDF文件中提取出文本信息。

3、在Eclipse中配置

以下是在Eclipse中创建工程，并建立解析PDF文件的工具类的过程。

（1）在Eclipse的workspace中创建一个普通的Java工程：ch7。

（2）把下载的PDFBox-0.7.3.zip解压。

（3）进入external目录下，可以看到，这里包括了PDFBox所有用到的外部包。复制下面的Jar包到工程ch7的lib目录下（如还未建立lib目录，则先创建一个）。

l bcmail-jdk14-132.jar

l bcprov-jdk14-132.jar

l checkstyle-all-4.2.jar

l FontBox-0.1.0-dev.jar

l lucene-core-2.0.0.jar

然后再从PDFBox的lib目录下，复制PDFBox-0.7.3.jar到工程的lib目录下。

（4）在工程上单击右键，在弹出的快捷菜单中选择“Build Path->Config Build Path->Add Jars”命令，把工程lib目录下面的包都加入工程的Build Path。

4、使用PDFBox解析PDF内容

在刚刚创建的Eclipse工程中，创建一个ch7.pdfbox包，并创建一个PdfboxTest类。该类包含一个getText方法，用于从一个PDF中获取文本信息，其代码如下。

import java.io.BufferedWriter;
import java.io.FileInputStream;
import java.io.FileWriter;

import org.pdfbox.pdfparser.PDFParser;
import org.pdfbox.util.PDFTextStripper;

public class PdfParser {

   /**
   * @param args
   */
   // TODO 自动生成方法存根

       public   static   void   main(String[]   args)   throws   Exception{
            FileInputStream   fis   =   new   FileInputStream("F:\\task\\lerman-atem2001.pdf");
            BufferedWriter writer = new BufferedWriter(new FileWriter("F:\\task\\pdf_change.txt"));
            PDFParser   p   =   new   PDFParser(fis);
            p.parse();
            PDFTextStripper   ts   =   new   PDFTextStripper();
            String   s   =   ts.getText(p.getPDDocument());
            writer.write(s);
            System.out.println(s);
            fis.close();
            writer.close();

   }
}

下面是自己按照书上的例子写的代码。

package TestPDF.pdfbox;
2

import java.io.File;
4

import java.io.FileOutputStream;
5

import java.io.IOException;
6

import java.io.OutputStreamWriter;
7

import java.io.Writer;
8

import java.net.URL;
9

import org.apache.lucene.analysis.standard.StandardAnalyzer;
11

import org.apache.lucene.document.Document;
12

import org.apache.lucene.index.IndexWriter;
13

import org.apache.lucene.index.Term;
14

import org.apache.lucene.search.IndexSearcher;
15

import org.apache.lucene.search.PhraseQuery;
16

import org.apache.lucene.search.Query;
17

import org.apache.lucene.search.ScoreDoc;
18

import org.apache.lucene.search.TermQuery;
19

import org.apache.lucene.search.TopDocCollector;
20

import org.apache.lucene.search.TopDocs;
21

import org.pdfbox.pdmodel.PDDocument;
22

import org.pdfbox.searchengine.lucene.LucenePDFDocument;
23

import org.pdfbox.util.PDFTextStripper;
24

public class Test {
26

public void getText(String file) throws Exception{
28

//是否排序
29

boolean sort = false;
30

//pdf文件名
31

String pdfFile = file;
32

//输入文本文件名称
33

String textFile = null;
34

//编码方式
35

String encoding = "UTF-8";
36

//开始提取页数
37

int startPage = 1;
38

//结束提取页数
39

int endPage = Integer.MAX_VALUE;
40

//文件输入流，输入文本文件
41

Writer output = null;
42

//内存中存储的PDF Document
43

PDDocument document = null;
44

try{
46

try{
47

//首先当作一个URL来加载文件，如果得到异常再从本地系统装载文件
48

URL url = new URL(pdfFile);
49

document = PDDocument.load(url);
50

String fileName = url.getFile();
51

if(fileName.length() > 4){
53

//以原来pdf名称来命名新产生的txt文件
54

File outputFile = new File(fileName.substring(0, fileName.length()-4) + ".txt");
55

textFile = outputFile.getName();
56

}
57

}catch(Exception e){
58

//如果作为URL装载得到异常则从文件系统装载
59

document = PDDocument.load(pdfFile);
60

if(pdfFile.length() > 4){
61

textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";
62

}
63

}
64

//文件输出流，写入文件到textFile
65

output = new OutputStreamWriter(new FileOutputStream(textFile),encoding);
66

//PDFTextStripper来提取文本
67

PDFTextStripper stripper = new PDFTextStripper();
68

//设置是否排序
69

stripper.setSortByPosition(sort);
70

//设置起始页
71

stripper.setStartPage(startPage);
72

//设置结束页
73

stripper.setEndPage(endPage);
74

//调用PDFTextStripper的writeText提取并输出文本
75

stripper.writeText(document, output);
76

}finally{
77

if(output != null){
78

output.close();
79

}
80

if(document != null){
81

document.close();
82

}
83

}
84

}
85

/**
87

* test Lucene with pdfbox
88

* @throws IOException
89

*/
90

public void LuceneTest() throws IOException{
91

String path = "D:\\index";
93

String pdfpath = "D:\\index\\Lucene.Net基本用法.pdf";
94

IndexWriter writer = new IndexWriter(path, new StandardAnalyzer(),true);
96

//writer.setMaxFieldLength(10240);
97

//LucenePDFDocument返回由PDF产生的Lucene Document
98

Document d = LucenePDFDocument.getDocument(new File(pdfpath));
99

//System.out.println(d);
100

//写入索引
101

writer.addDocument(d);
102

writer.close();
103

104

//读取d:\index下的索引文件，建立IndexSearcher
105

IndexSearcher searcher = new IndexSearcher(path);
106

//对索引的contents Field进行关键字Query的查找
107

Term t = new Term("contents","优");
108

Term m = new Term("contents","化");
109

PhraseQuery q = new PhraseQuery();
110

q.add(t);
111

q.add(m);
112

//Query q = new TermQuery(t);
113

TopDocCollector co = new TopDocCollector(10);
114

searcher.search(q,co);
115

116

Document document;
117

TopDocs docs = co.topDocs();
118

ScoreDoc[] doc = docs.scoreDocs;
119

//System.out.println(doc.length);
120

121

for(int i=0;i<doc.length;i++){
122

System.out.println("文档编号：" + doc[i].doc);
123

//document = searcher.doc(doc[i].doc);
124

}
125

}
126

/**
127

* @param args
128

*/
129

public static void main(String[] args) {
130

// TODO Auto-generated method stub
131

Test test = new Test();
132

try{
133

//test.getText("D:\\index\\Lucene.Net基本用法.pdf");
134

test.LuceneTest();
135

}catch(Exception e){
136

e.printStackTrace();
137

}
138

}
139

}
140

posted on 2009-01-19 16:06 何婧阅读(33217) 评论(8) 编辑收藏举报