Java那些事之pdf读取

今天说说java中的pdf读取，实话说，这是一个很恼人的任务。现在网络上的pdf各种各样，分析出来的文本也是千差万别，目前最流行的jar包pdfbox也只能做到把文字分析出来，并无法很好的控制分析的顺序，格式，字体等信息。（也许可以，是我对pdfbox了解还不够，如果是这样的话，大家一定要告诉我~先谢过了哈。）这给后续的工作带来了很大的麻烦。比如我想提取pdf的一些关键词或标题等有用信息，而分析出来的文本大多没有规律可言，甚至不同pdf分析的顺序也不一样，有些分析出来第一行是标题，有些标题要到第十行甚至更靠后，总体说来这个任务远远没有达到我之前的预期。这里介绍一下，一个为了和大家交流一下，更重要的目的在于向各位高手们学习，看看大家是否有更好的办法来处理pdf的信息，而不光单单是读取pdf的字符串。

pdfbox的下载和配置我就不多说了，就跟加别的jar包没有区别。

下面直接上代码。

代码很简单，但是分析出来的内容也让人很抓狂，刚才说过了，什么格式的都有，甚至有些英文pdf分析出来词与词之间没有空格……有些又每个字母之间有空格，这到底是为什么呢？请教各位。

    public void get(String pdfPath) throws Exception {
        InputStream input = null;
        File pdfFile = new File( pdfPath );
        PDDocument document = null;
        try
        {
            input = new FileInputStream( pdfFile );
            //加载 pdf 文档
            PDFParser parser = new PDFParser(input);
            parser.parse();
            document = parser.getPDDocument();
            //获取内容信息
            PDFTextStripper pts = new PDFTextStripper();
            String content = "";
            try
            {
                content = pts.getText( document );
            }
            catch(Exception e)
            {
                throw e;
            }
            System.out.println(content);
    
        }
        catch(Exception e)
        {
            throw e;
        }
        finally
        {
            if( null != input )
                input.close();
            if( null != document )
                document.close();
        }
    }