使用PDFBox处理PDF文档
转载自：http://www.cnblogs.com/hejycpu/archive/2009/01/19/1378380.html
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(); } } 1package TestPDF.pdfbox;
3import java.io.File;
4import java.io.FileOutputStream;
5import java.io.IOException;
6import java.io.OutputStreamWriter;
7import java.io.Writer;
8import java.net.URL;
10import org.apache.lucene.analysis.standard.StandardAnalyzer;
11import org.apache.lucene.document.Document;
12import org.apache.lucene.index.IndexWriter;
13import org.apache.lucene.index.Term;
14import org.apache.lucene.search.IndexSearcher;
15import org.apache.lucene.search.PhraseQuery;
16import org.apache.lucene.search.Query;
17import org.apache.lucene.search.ScoreDoc;
18import org.apache.lucene.search.TermQuery;
19import org.apache.lucene.search.TopDocCollector;
20import org.apache.lucene.search.TopDocs;
21import org.pdfbox.pdmodel.PDDocument;
22import org.pdfbox.searchengine.lucene.LucenePDFDocument;
23import org.pdfbox.util.PDFTextStripper;
25public class Test {
public void getText(String file) throws Exception{
//是否排序
boolean sort = false;
//pdf文件名
String pdfFile = file;
//输入文本文件名称
String textFile = null;
//编码方式
String encoding = "UTF-8";
//开始提取页数
int startPage = 1;
//结束提取页数
int endPage = Integer.MAX_VALUE;
//文件输入流，输入文本文件
Writer output = null;
//内存中存储的PDF Document
PDDocument document = null;
try{
try{
//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
URL url = new URL(pdfFile);
document = PDDocument.load(url);
String fileName = url.getFile();
if(fileName.length() > 4){
//以原来pdf名称来命名新产生的txt文件
File outputFile = new File(fileName.substring(0, fileName.length()-4) + ".txt");
textFile = outputFile.getName();
}
}catch(Exception e){
//如果作为URL装载得到异常则从文件系统装载
document = PDDocument.load(pdfFile);
if(pdfFile.length() > 4){
textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";
}
}
//文件输出流，写入文件到textFile
output = new OutputStreamWriter(new FileOutputStream(textFile),encoding);
//PDFTextStripper来提取文本
PDFTextStripper stripper = new PDFTextStripper();
//设置是否排序
stripper.setSortByPosition(sort);
//设置起始页
stripper.setStartPage(startPage);
//设置结束页
stripper.setEndPage(endPage);
//调用PDFTextStripper的writeText提取并输出文本
stripper.writeText(document, output);
}finally{
if(output != null){
output.close();
}
if(document != null){
document.close();
}
}
}
/** *//**
* test Lucene with pdfbox
* @throws IOException
*/
public void LuceneTest() throws IOException{
String path = "D:\\index";
String pdfpath = "D:\\index\\Lucene.Net基本用法.pdf";
IndexWriter writer = new IndexWriter(path, new StandardAnalyzer(),true);
//writer.setMaxFieldLength(10240);
//LucenePDFDocument返回由PDF产生的Lucene Document
Document d = LucenePDFDocument.getDocument(new File(pdfpath));
//System.out.println(d);
//写入索引
writer.addDocument(d);
writer.close();
//读取d:\index下的索引文件，建立IndexSearcher
IndexSearcher searcher = new IndexSearcher(path);
//对索引的contents Field进行关键字Query的查找
Term t = new Term("contents","优");
Term m = new Term("contents","化");
PhraseQuery q = new PhraseQuery();
q.add(t);
q.add(m);
//Query q = new TermQuery(t);
TopDocCollector co = new TopDocCollector(10);
searcher.search(q,co);
Document document;
TopDocs docs = co.topDocs();
ScoreDoc[] doc = docs.scoreDocs;
//System.out.println(doc.length);
for(int i=0;i<doc.length;i++){
System.out.println("文档编号：" + doc[i].doc);
//document = searcher.doc(doc[i].doc);
}
}
/** *//**
* @param args
*/
public static void main(String[] args) {
// TODO Auto-generated method stub
Test test = new Test();
try{
//test.getText("D:\\index\\Lucene.Net基本用法.pdf");
test.LuceneTest();
}catch(Exception e){
e.printStackTrace();
}
}
139}
140
|