使用pdfbox解析中英文pdf文件

 

package com.dreamers.read;

import java.io.Writer;
import java.net.MalformedURLException;
import java.net.URL;

 

import org.pdfbox.pdmodel.PDDocument;
import org.pdfbox.util.PDFTextStripper;

public class PdfboxText {
 public static final String DEFAULT_ENCODING = "UTF-8";
 
 // "ISO-8859-1";
 // "ISO-8859-6";
 // "US-ASCII";
 // "UTF-8";
 // "UTF-16";
 // "UTF-16BE";
 // "UTF-16LE";
 public String geText(String file) throws Exception {
  // 是否排序
  boolean sort = false;
  //ArrayList<String> list = new ArrayList<String>();
  // pdf文件名
  String pdfFile = file;
  // 输入文本文件名称
 
  // 编码方式
  
  // 开始提取页
  int startPage = 1;
  // 结束提取页数
  int endPage = Integer.MAX_VALUE;
  // 文件输入流，生成文本文件
  Writer output = null;
  // 内存中存储的PDF Document
  PDDocument document = null;
  try {
   try {
    // 首先当作一个URL来装载文件，如果得到异常再从本地文件系统//去装载文件
    URL url = new URL(pdfFile);
    document = PDDocument.load(url);
    // 获取PDF的文件名
    
    
    
   } catch (MalformedURLException e) {
    // 如果作为URL装载得到异常则从文件系统装载
    document = PDDocument.load(pdfFile);
   
   }
   // 文件输入流，写入文件倒textFile
  
   // PDFTextStripper来提取文本
   PDFTextStripper stripper = null;
   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);
  // list.add(stripper.getText(document));
   String text = stripper.getText(document);
   // 调用PDFTextStripper的writeText提取并输出文本
   return text;
  } finally {
   if (output != null) {
    // 关闭输出流
    output.close();
   }
   if (document != null) {
    // 关闭PDF Document
    document.close();
   }
  }
 }

 public static void main(String[] args) {
  PdfboxText test = new PdfboxText();
  try {
   
   //ArrayList<String> list = new ArrayList<String>();
  
   System.out.println(test.geText("E:\\java\\PdfText\\Dom4j解析XML.pdf"));
  } catch (Exception e) {
   e.printStackTrace();
  }
 }

}
刚开始用的版本低不能解析中文文件，新版本支持中文，减少了不少功夫。