7.2 使用xpdf来处理中文PDF文档

7.2  使用xpdf来处理中文PDF文档

PDFBox看起来非常的方便，它的API功能强大。甚至能和Lucene进行无缝的结合。但是它有一个致命的弱点，就是它不支持中文。要提取中文的文本，可以采用另一个非常出色的工具xpdf。

7.2.1  xpdf的下载

读者可以到http://www.foolabs.com/xpdf/download.html下载最新版本的xpdf。如图7-7所示。

图7-7  xpdf的下载页面

本书采用的是xpdf-3.01pl2-win32.zip。另外，还需要下载一个中文包xpdf-chinese-simplified.tar.gz。

7.2.2  配置

将xpdf-3.01pl2-win32.zip解压到c:/xpdftest目录下，然后将xpdf-chinese-simplified.tar.gz解压倒c:/xpdftest/xpdf/目录下，解压后的目录结构如图7-8所示。

图7-8  Xpdf解压后的目录

打开目录下的xpdfrc文件，编辑文件内容，如下代码所示。

代码7.3

cidToUnicode    Adobe-GB1       c:/xpdftest/xpdf/xpdf-chinese-simplified/Adobe-GB1.cidToUnicode

unicodeMap      ISO-2022-CN     c:/xpdftest/xpdf/xpdf-chinese-simplified/ISO-2022-CN.unicodeMap

unicodeMap      EUC-CN          c:/xpdftest/xpdf/xpdf-chinese-simplified/EUC-CN.unicodeMap

unicodeMap  GBK     c:/xpdftest/xpdf/xpdf-chinese-simplified/GBK.unicodeMap

cMapDir         Adobe-GB1       c:/xpdftest/xpdf/xpdf-chinese-simplified/CMap

toUnicodeDir                    c:/xpdftest/xpdf/xpdf-chinese-simplified/CMap

fontDir C:/WINDOWS/Fonts

displayCIDFontTT Adobe-GB1 C:/WINDOWS/Fonts/simhei.ttf

textEOL      CR+LF

文件的路径读者可以根据自己的环境改，如在windows 2000下，fontDir所在的位置是C:/WINNT/Fonts，displayCIDFontTT Adobe-GB1的位置是在C:/WINNT/Fonts/simhei.ttf。

7.2.3  提取中文

在工程中新建一个ch7.xpdf包，并创建一个Pdf2Text类。该类采用Runtime传入参数，调用pdftotext.exe来进行文本的提取。其具体实现代码如下。

代码7.4

public class Pdf2Text {

    // PDF文件名

    private File pdffile;

    // 转换器的存放位置，默认在c:/xpdf下面

    private String CONVERTOR_STORED_PATH = "c://xpdf";

    // 转换器的名称，默认为pdftotext

    private String CONVERTOR_NAME = "pdftotext";

    // 构造函数，参数为pdf文件的路径

    public Pdf2Text(String pdffile) throws IOException {

        this(new File(pdffile));

    }

    // 构造函数，参数为pdf文件的对像

    public Pdf2Text(File pdffile) throws IOException {

        this.pdffile = pdffile;

    }

    // 将pdf转为文本文档

    public void toTextFile() throws IOException {

        toTextFile(pdffile, true);

    }

    // 将pdf转为文本文档，参数为目标文件的路径，默认使用PDF文件中的布局

    public void toTextFile(String targetfile) throws IOException {

        toTextFile(new File(targetfile), true);

    }

    // 将pdf转为文本文档，参数1为目标文件的路径，

    // 参数2为true则表示使用PDF文件中的布局

    public void toTextFile(String targetfile, boolean isLayout)

            throws IOException {

        toTextFile(new File(targetfile), isLayout);

    }

    // 将pdf转为文本文档，参数为目标文件

    public void toTextFile(File targetfile) throws IOException {

        toTextFile(targetfile, true);

    }

    // 将pdf转为文本文档，参数1为目标文件，

    // 参数2为true则表示使用PDF文件中的布局

    public void toTextFile(File targetfile, boolean isLayout)

            throws IOException {

        String[] cmd = getCmd(targetfile, isLayout);

        Process p = Runtime.getRuntime().exec(cmd);

    }

    // 获取PDF转换器的路径

    public String getCONVERTOR_STORED_PATH() {

        return CONVERTOR_STORED_PATH;

    }

    // 设置PDF转换器的路径

    public void setCONVERTOR_STORED_PATH(String path) {

        if (!path.trim().endsWith("//"))

            path = path.trim() + "//";

        this.CONVERTOR_STORED_PATH = path;

    }

    // 解析命令行参数

    private String[] getCmd(File targetfile, boolean isLayout) {

        // 命令字符

        String command = CONVERTOR_STORED_PATH + CONVERTOR_NAME;

        // PDF文件的绝对路径

        String source_absolutePath = pdffile.getAbsolutePath();

        // 输出文本文件的绝对路径

        String target_absolutePath = targetfile.getAbsolutePath();

        // 保持原来的layout

        String layout = "-layout";

        // 设置编码方式

        String encoding = "-enc";

        String character = "GBK";

        // 设置不打印任何消息和错误

        String mistake = "-q";

        // 页面之间不加入分页

        String nopagebrk = "-nopgbrk";

        // 如果isLayout为false，则设置不保持原来的layout

        if (!isLayout)

            layout = "";

        return new String[] { command, layout, encoding, character, mistake,

                nopagebrk, source_absolutePath, target_absolutePath };

    }

}

该类对外提供一个toTextFile()方 法。该方法接收2个参数：targetfile为目标PDF文件，isLayout表示是否采用原始的PDF文件中的layout布局。类中的 getCmd()方法负责解析传进来的参数，并生成一个String数组。该String数组表示一个操作系统中的命令，其中，各项分别代表命令后所跟的 参数。在获得到该数组后，再调用Runtime.getRuntime().exec(String[])函数来执行命令。

注意：在getCmd()方法中设置编码方式的 时候，用到的是GBK。这并不是对所有的文件都适用，因为中文的编码方式不只一种，读者可以根据PDF的编码类型选择不同的encoding方式。所有简 体中文的编码方式都定义在文件xpdfrc中的unicodeMap中，现在支持3种编码方式，分别是ISO-2022-CN，EUC-CN，GBK，如 图7-9所示。

图7-9  xpdfrc文件的内容

7.2.4  运行效果

下面通过一个函数来测试Pdf2Text类，在ch7.xpdf包中新建一个Pdf2TextTest类，包含一个main函数，其代码如下。

代码7.5

public class Pdf2TextTest {

    public static void main(String[] args) {

        try {

            // 参数输入PDF文件的存放位置

            Pdf2Text p2t = new Pdf2Text("c://test.pdf");

            // 设定转换器的位置

            p2t.setCONVERTOR_STORED_PATH("c://xpdftest//xpdf");

            // 设置文本文件存放位置

            p2t.toTextFile("c://test.txt");

        } catch (Exception e) {

            e.printStackTrace();

        }

    }

}

用于转换的PDF文件如图7-10所示。

图7-10  用于转换的中文PDF文件

代码7.5运行之后，结果如图7-11所示。

图7-11  运行结果