| Java文件操作系列[1] | 您所在的位置：网站首页 › pdf文件如何截取几页内容 › Java文件操作系列[1] |
Java文件操作系列[1]
|
需求：用java分页提取PDF文本。 PDFBox是一个很好的可以满足上述需求的开源工具。 1.PDF文档结构要解析PDF文本，我们首先要了解PDF文件的结构。 关于PDF文档，最重要的几点： 一，PDF文档内容比较复杂，比如有纯文本（可以提取出其中的文字，可以用PDF软件中的“复制”功能）、图片（无法使用PDF软件中的“复制”功能）、表单、视频、音频等，总之形式比较复杂； 二，PDF文件采用二进制流与纯文字混合的编码模式，并且没有采用 Unicode 等标准字符编码方式，其字符编码采用 Adobe 公司内建的编码表（ CMap），这使得对 PDF 的处理更加困难； 三，PDF有自己的文件结构：文件头，对象集合，交叉引用表，结尾（准确地说，这是PDF文档的物理结构，还有逻辑结构，详情可以点击查看这篇博文）。 2.PDFBox是个什么玩意 授权协议： Apache 开发语言： Java 操作系统： 跨平台 官网：http://pdfbox.apache.org/ 3.PDFBox能干啥 从PDF提取文本 合并PDF文档 PDF 文档加密与解密 与Lucene搜索引擎的集成 填充PDF/XFDF表单数据 从文本文件创建PDF文档 从PDF页面创建图片 打印PDF文档 4.准备工作再次声明，本demo功能是提取PDF文本（中文文本验证也通过）。 1) 下载好jar包（3个）： a.fontbox-2.0.0-RC2.jar b.pdfbox-2.0.0-RC2.jar c.pdfbox-app-2.0.0-RC2.jar 下载地址1：我的下载 下载地址2：官网下载 2) myeclipse或eclipse。 5.开始编程新建一个项目，写入下面的源码：  
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文本实现
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盘下的SpringGuide.pdf的内容
28 System.out.println("开始提取");
29 File file = new File("E:\\AndroidStudio.pdf");
30 System.out.println("文件绝对路径为："+file.getAbsolutePath());
31 pdfReader.readFdf(file);
32 System.out.println("提取结束");
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 // 输入文本文件名称
42 String textFileName = null;
43 // 编码方式
44 String encoding = "UTF-8";
45 // 开始提取页数
46 int startPage = 1;
47 // 结束提取页数
48 int endPage = 3;
49 // 文件输入流，生成文本文件
50 Writer output = null;
51 // 内存中存储的PDF Document
52 PDDocument document = null;
53
54 File outputFile = null;
55 try {
56
57 // 从本地装载文件
58 //注意参数已不是以前版本中的URL.而是File。
59 System.out.println("开始装载文件"+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("新文件绝对路径为："+outputFile.getAbsolutePath());
65
66
67 }
68 System.out.println("装载文件结束");
69
70
71 System.out.println("开始写到txt文件中");
72 // 文件输入流，写入文件倒textFile
73 output = new OutputStreamWriter(new FileOutputStream(outputFile),encoding);
74 System.out.println("写入txt文件结束");
75 // PDFTextStripper来提取文本
76 PDFTextStripper stripper = null;
77 stripper = new PDFTextStripper();
78 // 设置是否排序
79 stripper.setSortByPosition(sort);
80 // 设置起始页
81 stripper.setStartPage(startPage);
82 // 设置结束页
83 stripper.setEndPage(endPage);
84 // 调用PDFTextStripper的writeText提取并输出文本
85 System.out.println("开始调用writeText方法");
86 stripper.writeText(document, output);
87 System.out.println("调用writeText方法结束");
88 }catch (Exception e) {
89 e.printStackTrace();
90 }finally {
91 if (output != null) {
92 // 关闭输出流
93 output.close();
94 }
95 if (document != null) {
96 // 关闭PDF Document
97 document.close();
98 }
99 }
100 }
101 }
解析PDF文本
有很多打桩的语句，可以自行去除。 同时，本程序也可以提取中文信息。 6.遇到的问题及解决方案1)一开始使用的并不是PDFBox2.0版本，而是1.8版（2.0版本还是实验版本，故选用了早期的1.8版本）。但选择1.8版本，使用PDDocument.load(String)方法时，老是出现这个异常——“java.io.IOException: Push back buffer is full”。 解决方案：上述问题困扰了笔者很久。笔者为此重新复习了IO和NIO的一些知识，并查阅了PDFBox英文API文档（1.8版本），均无解决思路。后大量查阅资料得知，这可能是1.8版本出现的bug，2.0版本修复了此bug。笔者将jar包改为2.0版本，果然就好了。需要提醒的是，2.0版本PDDocument.load()方法参数为File类型，不再是String类型。可以参阅官方API文档。 |
【本文地址】