PDFbox实现文本抽取

一、介绍

Apache PDFbox是一个开源的、基于Java的、支持PDF文档生成的工具库，它可以用于创建新的PDF文档，修改现有的PDF文档，还可以从PDF文档中提取所需的内容。Apache PDFBox还包含了数个命令行工具。
Apache PDFbox于前不久发布了最新的1.8.2版。

二、特征

Apache PDFBox主要有以下特征：
1）文本提取：从PDF文档中提取文本。
2）合并＆分割：可以把多个PDF文档合并成单个，也可以把单个PDF分拆成多个PDF文档。
3）表单填充：可以从PDF表单中提取数据，或者是填充PDF表单。
4）PDF/A验证：验证PDF文档是否满足PDF/A ISO标准。
5）PDF打印：把PDF文档输出到打印机——利用了Java的打印API。
6）PDF转换：可以把PDF文档转换成映像文件。
7）PDF创建：可以从头创建新的PDF文档。

8）集成Lucene搜索引擎：Lucene搜索引擎与PDF索引相集成。  

三、下载地址

地址：
1）pdfbox-1.8.2.jar
地址：http://archive.apache.org/dist/pdfbox/1.8.2/pdfbox-1.8.2.jar
说明：满足一般的PDF操作需求。
2）pdfbox-app-1.8.2.jar
http://archive.apache.org/dist/pdfbox/1.8.2/pdfbox-app-1.8.2.jar
说明：PDFbox的多个命令行的工具包。
3）fontbox-1.8.2.jar
地址：http://archive.apache.org/dist/pdfbox/1.8.2/fontbox-1.8.2.jar
说明：PDF使用的字库包

package com.fk.extract.pdf;

import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;

import org.apache.pdfbox.pdfparser.PDFParser;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.util.PDFTextStripper;


public class ExtractTextFromPDF {
	public void readPDF(String filename){
		File file = new File(filename);
		FileInputStream in = null;
		try {
			in = new FileInputStream(filename);
			PDFParser parser = new PDFParser(in);
			parser.parse();
			PDDocument pdDocument = parser.getPDDocument();
			PDFTextStripper stripper = new PDFTextStripper();
			String result = stripper.getText(pdDocument);
			System.out.println("PDF文件" + file.getAbsolutePath()+"内容如下：");
			System.out.println(result);
		} catch (IOException e) {
			//e.printStackTrace();
		}
	}
	public static void main(String[] args) {
		new ExtractTextFromPDF().readPDF("src/match.pdf");
	}
}