Apache PDFbox开发指南之PDF文档读取
转载请注明来源：http://blog.csdn.net/loongshawn/article/details/51542309
相关文章：
1、介绍
Apache PDFbox是一个开源的、基于Java的、支持PDF文档生成的工具库，它可以用于创建新的PDF文档，修改现有的PDF文档，还可以从PDF文档中提取所需的内容。Apache PDFBox还包含了数个命令行工具。
Apache PDFbox于2016年4月26日发布了最新的2.0.1版。
备注：本文代码均是基于2.0及以上版本编写。
官网地址：https://pdfbox.apache.org/index.html
PDFBox 2.0.1 API在线文档：https://pdfbox.apache.org/docs/2.0.1/javadocs/
2、特征
Apache PDFBox主要有以下特征：
PDF读取、创建、打印、转换、验证、合并分割等特征。
3、开发实战
3.1、场景说明
-
1、读取PDF文本内容，样例中为读取体检报告文本内容。
-
2、提取PDF文档中的图片。这里仅仅实现将PDF中的图片另存为一个单独的PDF，至于需要直接输出图片文件（暂时没有实现），大家可以参考我的代码加以拓展，主要就是处理PDImageXObject对象。
3.2、所需jar包
pdfbox-2.0.1.jar下载地址
fontbox-2.0.1.jar下载地址
将上述两jar包添加到工程库中，如下：
3.3、文本内容提取
3.3.1、文本内容提取
创建PdfReader类，编写下述功能函数。
package com.loongshaw;
import java.io.File;
import java.io.FileInputStream;
import java.io.InputStream;
import org.apache.pdfbox.io.RandomAccessBuffer;
import org.apache.pdfbox.pdfparser.PDFParser;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
public class PdfReader {
public static void main(String[] args){
File pdfFile = new File("/Users/dddd/Downloads/0571888890423433356rrrr_182-93201510313223336-2.pdf");
PDDocument document = null;
try
{
// 方式一：
/**
InputStream input = null;
input = new FileInputStream( pdfFile );
//加载 pdf 文档
PDFParser parser = new PDFParser(new RandomAccessBuffer(input));
parser.parse();
document = parser.getPDDocument();
**/
// 方式二：
document=PDDocument.load(pdfFile);
// 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);
stripper.setEndPage(pages);
String content = stripper.getText(document);
System.out.println(content);
}
catch(Exception e)
{
System.out.println(e);
}
}
}- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
3.3.2、过程说明
PDF文件加载有两种方式，无明显差异，方式二代码较简洁：
// 方式一：
InputStream input = null;
input = new FileInputStream( pdfFile );
//加载 pdf 文档
PDFParser parser = new PDFParser(new RandomAccessBuffer(input));
parser.parse();
document = parser.getPDDocument();
// 方式二：
document=PDDocument.load(pdfFile); - 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
3.3.3、执行结果
3.4、图片提取（2016-12-02添加）
3.3.1、图片提取
public static void readImage(){
// 待解析PDF
File pdfFile = new File("/Users/xiaolong/Downloads/test.pdf");
// 空白PDF
File pdfFile_out = new File("/Users/xiaolong/Downloads/testout.pdf");
PDDocument document = null;
PDDocument document_out = null;
try {
document = PDDocument.load(pdfFile);
document_out = PDDocument.load(pdfFile_out);
} catch (IOException e) {
e.printStackTrace();
}
int pages_size = document.getNumberOfPages();
System.out.println("getAllPages==============="+pages_size);
int j=0;
for(int i=0;i<pages_size;i++) {
PDPage page = document.getPage(i);
PDPage page1 = document_out.getPage(0);
PDResources resources = page.getResources();
Iterable xobjects = resources.getXObjectNames();
if (xobjects != null) {
Iterator imageIter = xobjects.iterator();
while (imageIter.hasNext()) {
COSName key = (COSName) imageIter.next();
if(resources.isImageXObject(key)){
try {
PDImageXObject image = (PDImageXObject) resources.getXObject(key);
// 方式一：将PDF文档中的图片 分别存到一个空白PDF中。
PDPageContentStream contentStream = new PDPageContentStream(document_out,page1,AppendMode.APPEND,true);
float scale = 1f;
contentStream.drawImage(image, 20,20,image.getWidth()*scale,image.getHeight()*scale);
contentStream.close();
document_out.save("/Users/xiaolong/Downloads/123"+j+".pdf");
System.out.println(image.getSuffix() + ","+image.getHeight() +"," + image.getWidth());
/**
// 方式二：将PDF文档中的图片 分别另存为图片。
File file = new File("/Users/xiaolong/Downloads/123"+j+".png");
FileOutputStream out = new FileOutputStream(file);
InputStream input = image.createInputStream();
int byteCount = 0;
byte[] bytes = new byte[1024];
while ((byteCount = input.read(bytes)) > 0)
{
out.write(bytes,0,byteCount);
}
out.close();
input.close();
**/
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
//image count
j++;
}
}
}
}
System.out.println(j);
} - 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 72
- 73
- 74
- 75
- 76
- 77
3.4.2、过程说明
此方法可以取出源PDF中图片对象PDImageXObject，然后可以对该对象进行相关处理，本代码实现了将提取出来的每一个图片对象，插入到一个空白的PDF文档中。
有一点需要说明，以上代码注释部分本意是想直接生成图片文件，但尝试后发现文件异常。因此大家在这个代码基础上有新的想法可以继续尝试。
3.4.3、执行结果
源PDF文件中包含19张图片
分别生成19个仅包含单独图片的PDF
4、小结
本文仅介绍了利用Apache PDFbox相关开发包读取PDF文本，其他复杂功能暂未涉及，需要大家自己线下探索、尝试。
