PDFBox的使用——分頁提取PDF文本

標籤：

 

需求：用java分頁提取PDF文本。

PDFBox是一個很好的可以滿足上述需求的開源工具。

1.PDF文檔結構

要解析PDF文本，我們首先要瞭解PDF檔案的結構。

關於PDF文檔，最重要的幾點：

一，PDF文檔內容比較複雜，比如有純文字（可以提取出其中的文字，可以用PDF軟體中的“複製”功能）、圖片（無法使用PDF軟體中的“複製”功能）、表單、視頻、音頻等，總之形式比較複雜；

二，PDF檔案採用二進位流與純文字混合的編碼模式，並且沒有採用 Unicode 等標準字元編碼方式，其字元編碼採用 Adobe 公司內建的編碼錶（ CMap），這使得對 PDF 的處理更加困難；

三，PDF有自己的檔案結構：檔案頭，對象集合，交叉參考資料表，結尾（準確地說，這是PDF文檔的物理結構，還有邏輯結構，詳情可以點擊查看這篇博文）。

2.PDFBox是個什麼玩意

• 授權協議： Apache
• 開發語言： Java
• 作業系統： 跨平台
• 官網：http://pdfbox.apache.org/

3.PDFBox能幹啥

• 從PDF提取文本
• 合并PDF文檔
• PDF 文檔加密與解密
• 與Lucene搜尋引擎的整合
• 填充PDF/XFDF表單資料
• 從文字檔建立PDF文檔
• 從PDF頁面建立圖片
• 列印PDF文檔

4.準備工作

再次聲明，本demo功能是提取PDF文本（目前只測試了英文可以提取，中文暫未驗證）。

1) 下載好jar包（3個）：

a.fontbox-2.0.0-RC2.jar

b.pdfbox-2.0.0-RC2.jar

c.pdfbox-app-2.0.0-RC2.jar

：進官網一看便知（注意版本）。

2) myeclipse或eclipse。

5.開始編程

建立一個項目，寫入下面的源碼：

  1 package com.primeton.pdfbox;  2   3 import java.io.File;  4 import java.io.FileOutputStream;  5 import java.io.OutputStreamWriter;  6 import java.io.Writer;  7   8 import org.apache.pdfbox.pdmodel.PDDocument;  9 import org.apache.pdfbox.text.PDFTextStripper; 10  11  12 /** 13  * PDFBox解析PDF文本實現 14  * @author MrChen 15  * 16  */ 17  18 public class PDFReader { 19     /** 20       * @param args 21       */ 22      public static void main(String[] args) { 23       // TODO Auto-generated method stub 24       PDFReader pdfReader = new PDFReader(); 25       System.out.println("E:\\AndroidStudio.pdf"); 26       try { 27            // 取得E盤下的SpringGuide.pdf的內容 28            System.out.println("開始提取"); 29            File file = new File("E:\\AndroidStudio.pdf"); 30            System.out.println("檔案絕對路徑為："+file.getAbsolutePath()); 31            pdfReader.readFdf(file); 32            System.out.println("提取結束"); 33       } catch (Exception e) { 34            e.printStackTrace(); 35       } 36      } 37       38      public void readFdf(File pdfFile) throws Exception { 39           // 是否排序 40           boolean sort = false; 41           // 輸入文字檔名稱 42           String textFileName = null; 43           // 編碼方式 44           String encoding = "UTF-8"; 45           // 開始提取頁數 46           int startPage = 1; 47           // 結束提取頁數 48           int endPage = 3; 49           // 檔案輸入資料流，產生文字檔 50           Writer output = null; 51           // 記憶體中儲存的PDF Document 52           PDDocument document = null; 53            54           File outputFile = null; 55           try { 56           57                // 從本地裝載檔案 58                //注意參數已不是以前版本中的URL.而是File。 59                 System.out.println("開始裝載檔案"+pdfFile.getName()); 60                 document = PDDocument.load(pdfFile); 61                 if (pdfFile.getName().length() > 4) { 62                     textFileName = pdfFile.getName().substring(0, pdfFile.getName().length() - 4) + ".txt"; 63                     outputFile = new File(pdfFile.getParent(),textFileName); 64                     System.out.println("新檔案絕對路徑為："+outputFile.getAbsolutePath()); 65                      66                   67                 } 68                 System.out.println("裝載檔案結束"); 69   70             71                System.out.println("開始寫到txt檔案中"); 72                // 檔案輸入資料流，寫入檔案倒textFile 73                output = new OutputStreamWriter(new FileOutputStream(outputFile),encoding); 74                System.out.println("寫入txt檔案結束"); 75                // PDFTextStripper來提取文本 76                PDFTextStripper stripper = null; 77                stripper = new PDFTextStripper(); 78                // 設定是否排序 79                stripper.setSortByPosition(sort); 80                // 設定起始頁 81                stripper.setStartPage(startPage); 82                // 設定結束頁 83                stripper.setEndPage(endPage); 84                // 調用PDFTextStripper的writeText提取並輸出文本 85                System.out.println("開始調用writeText方法"); 86                stripper.writeText(document, output); 87                System.out.println("調用writeText方法結束"); 88           }catch (Exception e) { 89                e.printStackTrace(); 90           }finally { 91               if (output != null) { 92                     // 關閉輸出資料流 93                     output.close(); 94                } 95                if (document != null) { 96                 // 關閉PDF Document 97                 document.close(); 98                } 99           }100      }101 }

View Code

有很多打樁的語句，可以自行去除。

6.遇到的問題及解決方案

1)一開始使用的並不是PDF2.0版本，而是1.8版（2.0版本還是實驗版本，故選用了早期的1.8版本）。但使用1.8版本，使用PDDocument.load(String)方法時，老是出現這個異常——“java.io.IOException: Push back buffer is full”。

解決方案：上述問題困擾了筆者很久。筆者為此重新複習了IO和NIO的一些知識，並查閱了PDFBox英文API文檔（1.8版本），均無解決思路。後大量查閱資料得知，這可能是1.8版本出現的bug。2.0版本修複了bug。改為2.0版本，果然就好了。需要提醒的是，2.0版本PDDocument.load()方法參數為File類型，不再是String類型。可以參閱官方API文檔。

PDFBox的使用——分頁提取PDF文本