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: 
Apache PDFbox开发指南之PDF文档读取

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

Apache PDFbox开发指南之PDF文档读取

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

Apache PDFbox开发指南之PDF文档读取 
源PDF文件中包含19张图片

Apache PDFbox开发指南之PDF文档读取 
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。

 
 
上一篇:linux:正则表达式grep命令


下一篇:dubbo入门学习(五)-----dubbo的高可用