pdfbox 解析 PDF转HTML、Text文件 刚刚入职新公司,连公司项目都没看,就被总监叫做PDF文件转HTML文件,百度找了一下,发现连提供思路的都很少。最开始用pdf2htmlEX.exe 开源工具写了一个java调用,效果非常棒,页面布局排版都跟原来的差不多。
具体参考http://www.cnblogs.com/goldenVip/p/6104051.html
但是被驳回了,因为只能在windows上面运行,需要的是服务器运行,结果只能用第三方pdfbox 来解析pdf了,测了两天,才把PDF内容解析出来,页面布局的问题还未完善,先给各位同学提供下思路,废话不多说,上代码
import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.Writer;
import java.net.MalformedURLException;
import java.text.SimpleDateFormat;
import java.util.Calendar;
import java.util.List;
import java.util.Map;
import java.util.logging.Level;
import java.util.logging.Logger;
import java.io.OutputStreamWriter;
import org.apache.pdfbox.pdfparser.PDFParser;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDDocumentCatalog;
import org.apache.pdfbox.pdmodel.PDDocumentInformation;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.PDResources;
import org.apache.pdfbox.pdmodel.graphics.xobject.PDXObjectImage;
import org.apache.pdfbox.pdmodel.interactive.documentnavigation.outline.PDDocumentOutline;
import org.apache.pdfbox.pdmodel.interactive.documentnavigation.outline.PDOutlineItem;
import org.apache.pdfbox.util.PDFTextStripper;
public class PdfToHtml {
private PdfToHtml() {}
/**
* 获取格式化后的时间信息
* @param calendar 时间信息
* @return
*/
public static String dateFormat( Calendar calendar ){
if( null == calendar )
return null;
String date = null;
String pattern = "yyyy-MM-dd HH:mm:ss";
SimpleDateFormat format = new SimpleDateFormat( pattern );
date = format.format( calendar.getTime() );
return date == null ? "" : date;
}
/**打印纲要**/
public static void getPDFOutline(String file){
try {
//打开pdf文件流
FileInputStream fis = new FileInputStream(file);
//加载 pdf 文档,获取PDDocument文档对象
PDDocument document=PDDocument.load(fis);
//获取PDDocumentCatalog文档目录对象
PDDocumentCatalog catalog=document.getDocumentCatalog();
//获取PDDocumentOutline文档纲要对象
PDDocumentOutline outline=catalog.getDocumentOutline();
//获取第一个纲要条目(标题1)
PDOutlineItem item=outline.getFirstChild();
if(outline!=null){
//遍历每一个标题1
while(item!=null){
//打印标题1的文本
System.out.println("Item:"+item.getTitle());
//获取标题1下的第一个子标题(标题2)
PDOutlineItem child=item.getFirstChild();
//遍历每一个标题2
while(child!=null){
//打印标题2的文本
System.out.println(" Child:"+child.getTitle());
//指向下一个标题2
child=child.getNextSibling();
}
//指向下一个标题1
item=item.getNextSibling();
}
}
//关闭输入流
document.close();
fis.close();
} catch (FileNotFoundException ex) {
Logger.getLogger(PDFReader.class.getName()).log(Level.SEVERE, null, ex);
} catch (IOException ex) {
Logger.getLogger(PDFReader.class.getName()).log(Level.SEVERE, null, ex);
}
}
/**打印一级目录**/
public static void getPDFCatalog(String file){
try {
//打开pdf文件流
FileInputStream fis = new FileInputStream(file);
//加载 pdf 文档,获取PDDocument文档对象
PDDocument document=PDDocument.load(fis);
//获取PDDocumentCatalog文档目录对象
PDDocumentCatalog catalog=document.getDocumentCatalog();
//获取PDDocumentOutline文档纲要对象
PDDocumentOutline outline=catalog.getDocumentOutline();
//获取第一个纲要条目(标题1)
if(outline!=null){
PDOutlineItem item=outline.getFirstChild();
//遍历每一个标题1
while(item!=null){
//打印标题1的文本
System.out.println("Item:"+item.getTitle());
//指向下一个标题1
item=item.getNextSibling();
}
}
//关闭输入流
document.close();
fis.close();
} catch (FileNotFoundException ex) {
Logger.getLogger(PDFReader.class.getName()).log(Level.SEVERE, null, ex);
} catch (IOException ex) {
Logger.getLogger(PDFReader.class.getName()).log(Level.SEVERE, null, ex);
}
}
/**获取PDF文档元数据**/
public static void getPDFInformation(String file){
try {
//打开pdf文件流
FileInputStream fis = new FileInputStream(file);
//加载 pdf 文档,获取PDDocument文档对象
PDDocument document=PDDocument.load(fis);
/** 文档属性信息 **/
PDDocumentInformation info = document.getDocumentInformation();
System.out.println("页数:"+document.getNumberOfPages());
System.out.println( "标题:" + info.getTitle() );
System.out.println( "主题:" + info.getSubject() );
System.out.println( "作者:" + info.getAuthor() );
System.out.println( "关键字:" + info.getKeywords() );
System.out.println( "应用程序:" + info.getCreator() );
System.out.println( "pdf 制作程序:" + info.getProducer() );
System.out.println( "Trapped:" + info.getTrapped() );
System.out.println( "创建时间:" + dateFormat( info.getCreationDate() ));
System.out.println( "修改时间:" + dateFormat( info.getModificationDate()));
//关闭输入流
document.close();
fis.close();
} catch (FileNotFoundException ex) {
Logger.getLogger(PDFReader.class.getName()).log(Level.SEVERE, null, ex);
} catch (IOException ex) {
Logger.getLogger(PDFReader.class.getName()).log(Level.SEVERE, null, ex);
}
}
/**
* 提取部分PDF文本转HTML
*
* @param file
* pdf文档路径
* @param startPage
* 开始页数
* @param endPage
* 结束页数
* @param htmlFile
* 保存文件路径
*/
public void getText(String pdfFile, int startPage, int endPage,
String htmlFile) throws Exception {
// 是否排序
boolean sort = true;
// hpd文件路径
// String pdfFile = "D:\\PDF\\" + file;
// 编码方式
String encoding = "UTF-8";
// 开始提取页数
// int startPage = 1;
// 结束提取页数,最大
// int endPage = Integer.MAX_VALUE;
// 文件输入流,生成文本文件
Writer output = null;
// 内存中存储的PDF Document
PDDocument document = null;
FileInputStream is = null;
String result = null;
try {
try {
is = new FileInputStream(pdfFile);
PDFParser parser = new PDFParser(is);
parser.parse();
// 创建pdf对象
document = parser.getPDDocument();
PDFTextStripper stripper = new PDFTextStripper();
// 设置是否排序
stripper.setSortByPosition(sort);
// 设置起始页
stripper.setStartPage(startPage);
// 设置结束页
stripper.setEndPage(endPage);
// 调用PDFTextStripper的getText提取文字
String str = stripper.getText(document);
result = new String(str.replace("\r\n", " \r\n"));
// 以原来pdf名称来命名转换的html文件
// if (file.length() > 4) {
// File outputFile = new File(file.substring(0,
// file.length() - 4)
// + ".html");
// htmlName = outputFile.getName();
// }
} catch (MalformedURLException e) {
e.printStackTrace();
}
// 文件输入流,写入HTML文件
output = new OutputStreamWriter(new FileOutputStream(htmlFile),
encoding);
output
.write(" \r\n");
output.write(" \r\n");
output.write(" \r\n");
output
.write(" \r\n");
output.write(" \r\n");
output.write(" \r\n");
output.write("");
output.write(result);
// 调用PDFTextStripper的writeText提取并输出文本
// stripper.writeText(document, output);
output.write(" ");
output.write(" \r\n");
output.write(" \r\n");
} finally {
if (output != null) {
// 关闭输出流
output.close();
}
if (document != null) {
// 关闭PDF Document
document.close();
}
}
}
/**
* 提取PDF图片并保存
*
* @param file
* PDF文档路径
* @param imgSavePath
* 图片保存路径
*/
public void getImage(String pdfFile, String imgSavePath) {
try {
// 打开pdf文件流
FileInputStream fis = new FileInputStream(pdfFile);
// 加载 pdf 文档,获取PDDocument文档对象
PDDocument document = PDDocument.load(fis);
/** 文档页面信息 **/
// 获取PDDocumentCatalog文档目录对象
PDDocumentCatalog catalog = document.getDocumentCatalog();
// 获取文档页面PDPage列表
List pages = catalog.getAllPages();
int count = 1;
int pageNum = pages.size(); // 文档页数
// 遍历每一页
for (int i = 0; i < pageNum; i++) {
// 取得第i页
PDPage page = (PDPage) pages.get(i);
if (null != page) {
PDResources resource = page.findResources();
// 获取页面图片信息
Map imgs = resource.getImages();
for (Map.Entry me : imgs.entrySet()) {
// System.out.println(me.getKey());
PDXObjectImage img = me.getValue();
// 保存图片,命名
img.write2file(imgSavePath + "PDF-" + count);
count++;
}
}
}
document.close();
fis.close();
} catch (FileNotFoundException ex) {
Logger.getLogger(PDFReader.class.getName()).log(Level.SEVERE, null,
ex);
} catch (IOException ex) {
Logger.getLogger(PDFReader.class.getName()).log(Level.SEVERE, null,
ex);
}
}
public static void main(String[] args) {
PdfToHtml pth = new PdfToHtml();
String pdfFile = "D:\\PDF\\2.pdf";
// int startPage = 1;
// int endPage = Integer.MAX_VALUE;
// String htmlFile = "D:\\HTML\\2.html";
long startTime = System.currentTimeMillis();
try {
pth.getText("D:\\PDF\\2.pdf", 1, Integer.MAX_VALUE,"D:\\HTML\\2.html");
pth.getImage(pdfFile, "D:\\HTML\\");
} catch (Exception e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
long endTime = System.currentTimeMillis();
System.out.println("读写所用时间为:" + (endTime - startTime) + "ms " + pdfFile
+ "转换完成");
}
}