Java提取PDF文件中的数据

Java提取PDF文件中的数据

PDFBox

PDFBox是一个开源的Apache的开源Java库,用来支持PDF文档的开发和转换,内载了对于PDF执行的各种操作方法.Apache PDFBox 还包括几个命令行实用程序。Apache PDFBox 在 Apache License v2.0 下发布。

PDFBox的组件

组件	内容
PDFBox	这是PDFBox的主要部分。 它包含与内容提取和操作相关的类和接口
FontBox	它包含与font相关的类和接口，使用这些类我们可以修改PDF文档的文本字体
XmpBox	包含处理XMP元数据的类和接口
Preflight	此组件用于根据PDF/A-1b标准验证PDF文件

Maven项目导入依赖

        org.apache.pdfbox
        pdfbox
        2.0.21


        org.apache.pdfbox
        fontbox
        2.0.21


        org.apache.pdfbox
        jempbox
        1.8.13


         org.apache.pdfbox 
         xmpbox 
         2.0.0 

 
         org.apache.pdfbox 
         preflight 
         2.0.0 
 
 
         org.apache.pdfbox 
         pdfbox-tools 
         2.0.0 

读取文字型PDF文档的例子

public class ReadChar
{
	private String pdfpath="";//PDF文件的路径
	private String outputPath="";//以txt文件输出的路径
	private File[] files=null;
	public static void main(String[] args)
	{
		try
		{
				File pdfpath=new File(pdfpath);
           		files=pdfpath.listFiles();
           		for(File file:files)
           		{
					 PDDocument doc=PDDocument.load(file);
               		 int pagenum=doc.getNumberOfPages();
          		     FileOutputStream fos=new FileOutputStream( outputPath+"/"+file.getName().replace(".pdf","")+".txt");
       		         Writer writer=new OutputStreamWriter(fos,"UTF-8");
       		         PDFTextStripper stripper=new PDFTextStripper();
     		         stripper.setSortByPosition(true);
     		         stripper.setStartPage(0);
    		         stripper.setEndPage(pagenum);
     		         stripper.writeText(doc,writer);
     		         writer.close();
     		         doc.close();
				}
		}
		catch(Exception e)
		{
			e.printStackTrace();
		}
	}
}

读取图片型PDF文档的例子

public class ReadImg
{
	private String pdfpath="";//PDF文件的路径
	private String outputPath="";//以图片文件输出的路径
	private File[] files=null;
	public static void main()
	{
	 try
        {
            File pdfpath = new File(Init.PDFPath());
            files=pdfpath.listFiles();
            for(File file:files)
            {
                PDDocument doc=PDDocument.load(file);
                BufferedOutputStream outputStream=null;
                int pageCount=doc.getNumberOfPages();
                PDFRenderer pdfRenderer=new PDFRenderer(doc);
                for(int i=0;i