PDFBox

解析PDF中的表格

从现有的PDF文档中提取文本

提取文本是PDFBox的主要功能之一。 可以使用PDFTextStripper类的getText()方法提取文本。 这个类从给定的PDF文档中提取所有文本。

以下是从现有PDF文档中提取文本的步骤。

第1步:加载现有的PDF文档

使用PDDocument类的静态方法load()加载现有的PDF文档。 此方法接受一个文件对象作为参数，将一个PDF文件初始化为一个pdfbox中的PDDocument类，因为这是一个静态方法，可以使用类名称调用它，如下所示。

File file = new File("path_of_the_document"); 
PDDocument document = PDDocument.load(file);

第2步:实例化PDFTextStripper类

PDFTextStripper类提供了从PDF文档中检索文本的方法，因此，请按如下所示实例化此类。

PDFTextStripper pdfStripper = new PDFTextStripper();

第3步:得到文本

使用PDFTextStripper类的getText()方法从PDF文档读取/检索页面的内容。 对于此方法，需要将文档对象作为参数传递。 此方法检索给定文档中的文本并以String对象的形式返回。
PDFTextStripper: This class will take a pdf document and strip out all of the text and ignore the formatting and such. Please note; it is up to clients of this class to verify that a specific user has the correct permissions to extract text from the PDF document. The basic flow of this process is that we get a document and use a series of processXXX() functions that work on smaller and smaller chunks of the page. Eventually, we fully process each page and then print it.

String text = pdfStripper.getText(document);

第4步:关闭文档

最后，使用PDDocument类的close()方法关闭文档，如下所示。

document.close();