java 提取文字内容_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-iceblueid>

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

repository>

repositories>

e-icebluegroupId>

spire.pdf.freeartifactId>

3.9.0version>

dependency>

dependencies>

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;itrue)); } FileWriter writer; try { //将StringBuilder对象中的文本写入到文本文件

writer = new FileWriter("output/ExtractAllText.txt"); writer.write(sb.toString()); writer.flush(); } catch (IOException e) { e.printStackTrace(); } doc.close(); }

}

提取效果：

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：

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：

文章来源: segmentfault.com，作者：Millie_Yellow，版权归原作者所有，如需转载，请联系作者。

原文链接：segmentfault.com/a/1190000038215489