java 文本提取_Java 提取PDF 文本内容

在日常工作中，有时可能会需要从庞大的PDF 文档中提取其中所包含的文本内容。通过在网上搜索资料后发现，Free Spire.PDF for Java 正好为我们提供了一种方便快捷的文本提取方法，下面就分享一下解决思路及过程中使用到的Java 代码。

基本思路：

2. 将lib文件夹下的Spire.Pdf.jar包作为依赖项导入到Java应用程序中，或者通过Maven仓库安装JAR包(配置pom.xml文件的代码见下文)

3. 在Java应用程序中新建一个Java Class(此处我命名为ExtractText), 然后输入相应的Java代码并运行

配置pom.xml文件：

com.e-iceblue

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

e-iceblue

spire.pdf.free

2.6.3

PDF源文档如下：

Java代码

import com.spire.pdf.PdfDocument;

import com.spire.pdf.PdfPageBase;

import java.io.*;

public class ExtractText {

public static void main(String[] args) {

//创建PdfDocument实例

PdfDocument doc = new PdfDocument();

//加载PDF文件

doc.loadFromFile("test.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

page = doc.getPages().get(i);

sb.append(page.extractText(true));

}

FileWriter writer;

try {

//将StringBuilder对象中的文本写入到文本文件

writer = new FileWriter("提取文本.txt");

writer.write(sb.toString());

writer.flush();

} catch (IOException e) {

e.printStackTrace();

}

doc.close();

}

}

提取结果：