Java PDF文件简介和解析

PDF

• Portable Document Format 的简称，意为“便携式文档格式”
• Adobe公司方法
• PostScript，用以生成和输出图形，在任何打印机上都可以保证精准的的颜色和准确的打印效果
• 字型嵌入系统，可使字型随文件一起传输
• 结构化的存储系统，绑定元素和任何相关内容到单个文件，带有适当的数据压缩系统

处理和第三方包

• 常见功能处理
  – 解析PDF
  – 生成PDF(其他类型文件转化)
• 第三方包
  – Apache PDFBox
  – iText（收费）
  – XDocReport（将docx转化为PDF）

PDFBox

• 纯Java类库
• 主要功能：创建，提取文本，分隔/合并/删除…
• 主要类
  – PDDocument pdf文档对象
  – PDFTextStripper pdf文本对象
  – PDFMergerUtility 合并工具

//抓取PDF文件的文本
public static void main(String[] args){

        File pdfFile = new File("simple.pdf");
        PDDocument document = null;
        try
        {
            document=PDDocument.load(pdfFile);  //pdf文件的加载
            
            AccessPermission ap = document.getCurrentAccessPermission();
            if (!ap.canExtractContent()) //判定有没有安全设置
            {
                throw new IOException("你没有权限抽取文本");
            }
            // 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);  //起始页
            stripper.setEndPage(pages);//结束页
            String content = stripper.getText(document);
            System.out.println(content);      
        }
        catch(Exception e)
        {
            System.out.println(e);
        }
    }

//写PDF文件
public static void createHelloPDF() {
        PDDocument doc = null;
        PDPage page = null; 

        try {
            doc = new PDDocument();
            page = new PDPage(); //页码
            doc.addPage(page); //增加一页
            PDFont font = PDType1Font.HELVETICA_BOLD;//设置字体
            PDPageContentStream content = new PDPageContentStream(doc, page); //产生输出流
            content.beginText();
            
            content.setFont(font, 12);
            content.moveTextPositionByAmount(100, 700);
            content.showText("hello world");
            
            content.endText();
            content.close();  //输入流关闭
            doc.save("test.pdf");
            doc.close();
        } catch (Exception e) {
            System.out.println(e);
        }
    }

//合并俩个PDF文件
 public static void merge() throws Exception
    {
    	FileOutputStream  fos = new FileOutputStream(new File("merge.pdf"));//定义输出流
    	
    	ByteArrayOutputStream mergedPDFOutputStream = null;
    	File file1 = new File("sample1.pdf");
    	File file2 = new File("sample2.pdf");
    	
    	List<InputStream> sources = new ArrayList<InputStream>();
    	
        try
        {
        	sources.add(new FileInputStream(file1));
        	sources.add(new FileInputStream(file2));
        	
            mergedPDFOutputStream = new ByteArrayOutputStream(); //输出流
           
            //设定来源和目标
            PDFMergerUtility pdfMerger = new PDFMergerUtility();
            pdfMerger.addSources(sources);
            pdfMerger.setDestinationStream(mergedPDFOutputStream);
            
            //设置合并选项
            PDDocumentInformation pdfDocumentInfo = new PDDocumentInformation();
            pdfMerger.setDestinationDocumentInformation(pdfDocumentInfo);

            //合并
            pdfMerger.mergeDocuments(MemoryUsageSetting.setupMainMemoryOnly());
            
            fos.write(mergedPDFOutputStream.toByteArray());
            fos.close();
        }
        catch (Exception e)
        {
            throw new IOException("PDF merge problem", e);
        }        
        finally //安全关闭所有输入输出流
        {
            for (InputStream source : sources)
            {
                IOUtils.closeQuietly(source);
            }            
            IOUtils.closeQuietly(mergedPDFOutputStream);
            IOUtils.closeQuietly(fos);
        }
    }    

//删除某一页pdf
public static void main(String[] args) throws Exception {
		File file = new File("merge.pdf");
		PDDocument document = PDDocument.load(file);

		int noOfPages = document.getNumberOfPages(); //获取页数
		System.out.println("total pages: " + noOfPages);

		// 删除第1页
		document.removePage(1);  // 页码索引从0开始算

		System.out.println("page removed");

		// 另存为新文档
		document.save("merge2.pdf"); //删除的保存为另一pdf文件

		document.close();
	}

XDocReport

• 将docx文档合并输出为其他数据格式（pdf/html…）
• pdfConverter
• 基于poi和iText完成

public class XDocReportTest {

	public static void main(String[] args) throws Exception {
		XWPFDocument doc = new XWPFDocument(new FileInputStream("template.docx"));// docx
		PdfOptions options = PdfOptions.create();
		options.fontProvider(new IFontProvider() {
			// 设置中文字体
			//下面是获取本机字体文件，放入到上面options中，下面代码是一个匿名类，为IFontProvider的对象
			public Font getFont(String familyName, String encoding, float size, int style, Color color) {
				try {
					BaseFont bfChinese = BaseFont.createFont(
							"C:\\Program Files (x86)\\Microsoft Office\\root\\VFS\\Fonts\\private\\STSONG.TTF",
							BaseFont.IDENTITY_H, BaseFont.EMBEDDED);
					Font fontChinese = new Font(bfChinese, size, style, color);
					if (familyName != null)
						fontChinese.setFamily(familyName);
					return fontChinese;
				} catch (Throwable e) {
					e.printStackTrace();
					return ITextFontRegistry.getRegistry().getFont(familyName, encoding, size, style, color);
				}
			}
		});
		//docx文档变成pdf文档
		PdfConverter.getInstance().convert(doc, new FileOutputStream("template.pdf"), options);// pdf
	}
}

总结

• pdf操作，基于Apache PDFBox库来对pdf操作，（解析，合并，删除页面）
• 产生pdf和修改pdf，建议先用docx文件来操作，然后转化为pdf