pdf解析2

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，其中就有PDFBOX

 

PDFBox是Java实现的PDF文档API库，提供PDF文档的一系列操作。例如创建、处理以及文档内容提取等功能，也包含了一些命令行实用工具。

主要有以下特性：

• PDF格式的文本抽取
• 合并PDF文档
• PDF文档的加密与解密
• Lucene搜索引擎集成
• 填充表单数据
• 创建一个文本文件的PDF
• 创建PDF页面图象
• 打印PDF文档

 

 

 

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/。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。

3、在Eclipse中配置

以下是在Eclipse中创建工程，并导入pdf工具类的过程

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

（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pdfprj的lib目录下（如还未建立lib目录，则先创建一个）。

1.  bcmail-jdk14-132.jar
2.  bcprov-jdk14-132.jar
3.  checkstyle-all-4.2.jar
4.  FontBox-0.1.0-dev.jar
5.  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

  抽取pdf文本内容

    

private PDDocument document = null;
    public static void main(String[] args) throws IOException {
        String file = "d:\\pdf\\pdf-type.pdf";
        PDFBOX parse = new PDFBOX();
        parse.openPDFFile(file);
        }
    public void openPDFFile(String file) throws IOException {
        InputStream is = null;
        File f = new File(file);
        is = new FileInputStream(f);
        this.document = this.parseDocument(is);
        //获取页数
        List pages = this.document.getDocumentCatalog().getAllPages();
        int pageSize = pages.size();
        System.out.println("pdf页数:"+pageSize);
        this.getPdfText();

    }
    public PDDocument parseDocument(InputStream input) throws IOException {
        PDDocument document = PDDocument.load(input);
        if (document.isEncrypted()) {
            try {
                document.decrypt("");
            } catch (CryptographyException e) {
                // TODO Auto-generated catch block
                e.printStackTrace();
            } catch (InvalidPasswordException e) {
                // TODO Auto-generated catch block
                e.printStackTrace();
            }
        }
        return document;
    }
     /*
      * 抽取pdf文本内容
      */
    public void getPdfText() throws IOException {
        PDFTextStripper stripper = new PDFTextStripper();
        OutputStreamWriter osw = new OutputStreamWriter(new FileOutputStream(
                "d:\\pdf-type.txt"));
        BufferedWriter bw = new BufferedWriter(osw);
        stripper.setShouldSeparateByBeads(true);
        stripper.writeText(document, bw);
        bw.close();
        document.close();
    }

 

  抽取pdf文档信息:

 

 

 

 

 

public static final String DATE_FORMAT = "yyyy-MM-dd HH:mm:ss";

/**
 * 解析pdf文档信息
 * @param pdfPath   pdf文档路径
 * @throws Exception
 */
public static void pdfParse( String pdfPath, String imgSavePath ) throws Exception
{
    InputStream input = null;
    File pdfFile = new File( pdfPath );
    PDDocument document = null;
    try{
        input = new FileInputStream( pdfFile );
        //加载 pdf 文档
        document = PDDocument.load( input );

        /** 文档属性信息 **/
        PDDocumentInformation info = document.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 = document.getDocumentCatalog();
        List pages = cata.getAllPages();
        int count = 1;
        for( int i = 0; i < pages.size(); i++ )
        {
            PDPage page = ( PDPage ) pages.get( i );
            if( null != page )
            {
                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( imgSavePath + count );
                        count++;
                    }
                }
            }
        }
    }catch( Exception e)
    {
        throw e;
    }finally{
        if( null != input )
            input.close();
        if( null != document )
            document.close();
    }
}

/**
 * 获取格式化后的时间信息
 * @param dar   时间信息
 * @return
 * @throws Exception
 */
public static String dateFormat( Calendar calendar ) throws Exception
{
    if( null == calendar )
        return null;
    String date = null;
    try{
        String pattern = DATE_FORMAT;
        SimpleDateFormat format = new SimpleDateFormat( pattern );
        date = format.format( calendar.getTime() );
    }catch( Exception e )
    {
        throw e;
    }
    return date == null ? "" : date;
}