Java 提取PDF文本内容

概述

一般来说,我们无法对PDF文档格式的内容进行修改编辑,但当我们确有此需求时,可通过提取文本内容的方式来实现。本文就将介绍如何通过Java代码来提取PDF文档中的文本内容。

此教程用到的第三方控件是Free Spire.PDF for Java(免费版)。根据不同需求,它可以支持以下三方面的提取功能。

  • 提取PDF文档中的所有文本内容
  • 提取PDF指定页面的文本内容
  • 提取PDF指定区域的文本内容

Jar包的获取及导入

在运行代码前,需将Free Spire.PDF for Java控件中的Jar包导入IDEA中。导入方式有两种:其一,在官网上下载产品包,解压后将lib文件夹下的Spire.Pdf.jar手动导入IDEA;其二,在IDEA中创建一个Maven项目,然后在pom.xml文件中键入以下代码,最后点击“Import Changes”即可。



com.e-iceblue
http://repo.e-iceblue.cn/repository/maven-public/




e-iceblue
spire.pdf.free
3.9.0

示例代码

示例1 提取PDF文档中的所有文本内容
import com.spire.pdf.PdfDocument;
import com.spire.pdf.PdfPageBase;
import java.io.*;
public class ExtractAllText {
    public static void main(String[] args) {
        //创建PdfDocument实例
 PdfDocument doc=new PdfDocument();
        //加载PDF文档
 doc.loadFromFile("C:UsersTest1DesktopSample.pdf");
        //创建StringBuilder实例
 StringBuilder sb=new StringBuilder();
        PdfPageBase page;
        //遍历PDF页面,获取每个页面的文本并添加到StringBuilder对象
 for(int i=0;i

提取效果:

Java 提取PDF文本内容_第1张图片

示例2 提取PDF指定页面的文本内容
import com.spire.pdf.*;
import java.io.BufferedWriter;
import java.io.File;
import java.io.FileWriter;
import java.io.IOException;
public class ExtractTextFromParticularPage {
    public static void main(String[] args) throws IOException {
        //加载PDF文档
 PdfDocument pdf = new PdfDocument();
        pdf.loadFromFile("C:UsersTest1DesktopSample.pdf");
        //创建.txt文件,用于保存提取的文本
 String result = "output/extractTextFromAParticularPage.txt";
        File file=new File(result);
        if(!file.exists()){
            file.delete();
        }
        file.createNewFile();
        FileWriter fw=new FileWriter(file,true);
        BufferedWriter bw=new BufferedWriter(fw);
        //获取第一页的文本
 PdfPageBase page = pdf.getPages().get(0);
        String text = page.extractText(true);
       //String text = page.extractText(false);
 bw.write(text);
        bw.flush();
        bw.close();
        fw.close();
    }
}

提取效果:

Java 提取PDF文本内容_第2张图片

示例3 提取PDF指定区域的文本内容
import com.spire.pdf.*;
import java.awt.geom.Rectangle2D;
import java.io.BufferedWriter;
import java.io.File;
import java.io.FileWriter;
import java.io.IOException;
public class ExtractTextFromSpecificArea {
    public static void main(String[] args) throws IOException {
        //加载PDF文档
 PdfDocument pdf = new PdfDocument();
        pdf.loadFromFile("C:UsersTest1DesktopSample.pdf");
        //创建.txt文件,用于保存提取的文本
 File file=new File("output/ExtractTextFromASpecifiedArea.txt");
        if(!file.exists()){
            file.delete();
        }
        file.createNewFile();
        FileWriter fw=new FileWriter(file,true);
        BufferedWriter bw=new BufferedWriter(fw);
        //获取第一页
 PdfPageBase page = pdf.getPages().get(0);
        //提取第一页指定区域的文本
 String text = page.extractText(new Rectangle2D.Float(80, 20, 500, 110));
        bw.write(text);
        bw.flush();
        bw.close();
        fw.close();
    }
}

提取效果:

Java 提取PDF文本内容_第3张图片

你可能感兴趣的