使用PDFBox处理PDF文档

前面的介绍文本是转载的,实际上和一本书上的内容大致相同(除了代码)。

1、使用PDFBox处理PDF文档

PDF全称Portable Document Format,是Adobe公司开发的电子文件格式。这种文件格式与操作系统平台无关,可以在Windows、Unix或Mac OS等操作系统上通用。

PDF文件格式将文字、字型、格式、颜色及独立于设备和分辨率的图形图像等封装在一个文件中。如果要抽取其中的文本信息,需要根据它的文件格式来进行解析。幸好目前已经有不少工具能帮助我们做这些事情。

2、PDFBox的下载

最常见的一种PDF文本抽取工具就是PDFBox了,访问网址http://sourceforge.net/projects/pdfbox/,进入如图7-1所示的下载界面。读者可以在该网页下载其最新的版本。本书采用的是PDFBox-0.7.3版本。PDFBox是一个开源的Java PDF库,这个库允许你访问PDF文件的各项信息。在接下来的例子中,将演示如何使用PDFBox提供的API,从一个PDF文件中提取出文本信息。

3、在Eclipse中配置

以下是在Eclipse中创建工程,并建立解析PDF文件的工具类的过程。

(1)在Eclipse的workspace中创建一个普通的Java工程:ch7。

(2)把下载的PDFBox-0.7.3.zip解压。

(3)进入external目录下,可以看到,这里包括了PDFBox所有用到的外部包。复制下面的Jar包到工程ch7的lib目录下(如还未建立lib目录,则先创建一个)。

l bcmail-jdk14-132.jar

l bcprov-jdk14-132.jar

l checkstyle-all-4.2.jar

l FontBox-0.1.0-dev.jar

l lucene-core-2.0.0.jar

然后再从PDFBox的lib目录下,复制PDFBox-0.7.3.jar到工程的lib目录下。

(4)在工程上单击右键,在弹出的快捷菜单中选择“Build Path->Config Build Path->Add Jars”命令,把工程lib目录下面的包都加入工程的Build Path。

4、使用PDFBox解析PDF内容

在刚刚创建的Eclipse工程中,创建一个ch7.pdfbox包,并创建一个PdfboxTest类。该类包含一个getText方法,用于从一个PDF中获取文本信息,其代码如下。

import java.io.BufferedWriter;
import java.io.FileInputStream;
import java.io.FileWriter;

import org.pdfbox.pdfparser.PDFParser;
import org.pdfbox.util.PDFTextStripper;


public class PdfParser {

   /**
   * @param args
   */
   // TODO 自动生成方法存根

       public   static   void   main(String[]   args)   throws   Exception{
            FileInputStream   fis   =   new   FileInputStream("F:\\task\\lerman-atem2001.pdf");
            BufferedWriter writer = new BufferedWriter(new FileWriter("F:\\task\\pdf_change.txt"));
            PDFParser   p   =   new   PDFParser(fis);
            p.parse();        
            PDFTextStripper   ts   =   new   PDFTextStripper();        
            String   s   =   ts.getText(p.getPDDocument());
            writer.write(s);
            System.out.println(s);
            fis.close();
            writer.close();
         
   }
}

下面是自己按照书上的例子写的代码。

  1 package  TestPDF.pdfbox;
  2
  3 import  java.io.File;
  4 import  java.io.FileOutputStream;
  5 import  java.io.IOException;
  6 import  java.io.OutputStreamWriter;
  7 import  java.io.Writer;
  8 import  java.net.URL;
  9
 10 import  org.apache.lucene.analysis.standard.StandardAnalyzer;
 11 import  org.apache.lucene.document.Document;
 12 import  org.apache.lucene.index.IndexWriter;
 13 import  org.apache.lucene.index.Term;
 14 import  org.apache.lucene.search.IndexSearcher;
 15 import  org.apache.lucene.search.PhraseQuery;
 16 import  org.apache.lucene.search.Query;
 17 import  org.apache.lucene.search.ScoreDoc;
 18 import  org.apache.lucene.search.TermQuery;
 19 import  org.apache.lucene.search.TopDocCollector;
 20 import  org.apache.lucene.search.TopDocs;
 21 import  org.pdfbox.pdmodel.PDDocument;
 22 import  org.pdfbox.searchengine.lucene.LucenePDFDocument;
 23 import  org.pdfbox.util.PDFTextStripper;
 24
 25 public   class  Test  {
 26
 27    public void getText(String file) throws Exception{
 28        //是否排序
 29        boolean sort = false;
 30        //pdf文件名
 31        String pdfFile = file;
 32        //输入文本文件名称
 33        String textFile = null;
 34        //编码方式
 35        String encoding = "UTF-8";
 36        //开始提取页数
 37        int startPage = 1;
 38        //结束提取页数
 39        int endPage = Integer.MAX_VALUE;
 40        //文件输入流,输入文本文件
 41        Writer output = null
 42        //内存中存储的PDF Document
 43        PDDocument document = null;
 44        
 45        try{
 46            try{
 47                //首先当作一个URL来加载文件,如果得到异常再从本地系统装载文件
 48                URL url = new URL(pdfFile);
 49                document = PDDocument.load(url);
 50                String fileName = url.getFile();
 51            
 52                if(fileName.length() > 4){
 53                    //以原来pdf名称来命名新产生的txt文件
 54                    File outputFile = new File(fileName.substring(0, fileName.length()-4+ ".txt");
 55                    textFile = outputFile.getName();
 56                }
            
 57            }
catch(Exception e){
 58                //如果作为URL装载得到异常则从文件系统装载
 59                document = PDDocument.load(pdfFile);
 60                if(pdfFile.length() > 4){
 61                    textFile = pdfFile.substring(0, pdfFile.length() - 4+ ".txt";
 62                }

 63            }

 64            //文件输出流,写入文件到textFile
 65            output = new OutputStreamWriter(new FileOutputStream(textFile),encoding);
 66            //PDFTextStripper来提取文本
 67            PDFTextStripper stripper = new PDFTextStripper();
 68            //设置是否排序
 69            stripper.setSortByPosition(sort);
 70            //设置起始页
 71            stripper.setStartPage(startPage);
 72            //设置结束页
 73            stripper.setEndPage(endPage);
 74            //调用PDFTextStripper的writeText提取并输出文本
 75            stripper.writeText(document, output);
 76        }
finally{
 77            if(output != null){
 78                output.close();                
 79            }

 80            if(document != null){
 81                document.close();
 82            }

 83        }
        
 84    }

 85    
 86    /**
 87     * test Lucene with pdfbox
 88     * @throws IOException
 89     */

 90    public void LuceneTest() throws IOException{
 91        
 92        String path = "D:\\index";
 93        String pdfpath = "D:\\index\\Lucene.Net基本用法.pdf";
 94        
 95        IndexWriter writer = new IndexWriter(path, new StandardAnalyzer(),true);
 96        //writer.setMaxFieldLength(10240);
 97        //LucenePDFDocument返回由PDF产生的Lucene Document
 98        Document d = LucenePDFDocument.getDocument(new File(pdfpath));
 99        //System.out.println(d);
100        //写入索引
101        writer.addDocument(d);
102        writer.close();
103        
104        //读取d:\index下的索引文件,建立IndexSearcher
105        IndexSearcher searcher = new IndexSearcher(path);
106        //对索引的contents Field进行关键字Query的查找
107        Term t = new Term("contents","");
108        Term m = new Term("contents","");
109        PhraseQuery q = new PhraseQuery();
110        q.add(t);
111        q.add(m);
112        //Query q = new TermQuery(t);
113        TopDocCollector co = new TopDocCollector(10);
114        searcher.search(q,co);
115        
116        Document document;
117        TopDocs docs = co.topDocs();
118        ScoreDoc[] doc = docs.scoreDocs;
119        //System.out.println(doc.length);
120        
121        for(int i=0;i<doc.length;i++){
122            System.out.println("文档编号:" + doc[i].doc);
123            //document = searcher.doc(doc[i].doc);
124        }

125    }

126    /**
127     * @param args
128     */

129    public static void main(String[] args) {
130        // TODO Auto-generated method stub
131        Test test = new Test();
132        try{
133            //test.getText("D:\\index\\Lucene.Net基本用法.pdf");
134            test.LuceneTest();
135        }
catch(Exception e){
136            e.printStackTrace();
137        }

138    }

139}

140

你可能感兴趣的:(pdf)