Java 提取PDF文本内容

概述

一般来说，我们无法对PDF文档格式的内容进行修改编辑，但当我们确有此需求时，可通过提取文本内容的方式来实现。本文就将介绍如何通过Java代码来提取PDF文档中的文本内容。

此教程用到的第三方控件是Free Spire.PDF for Java（免费版）。根据不同需求，它可以支持以下三方面的提取功能。

●  提取PDF文档中的所有文本内容

●  提取PDF指定页面的文本内容

●  提取PDF指定区域的文本内容

Jar包的获取及导入

在运行代码前，需将Free Spire.PDF for Java控件中的Jar包导入IDEA中。导入方式有两种：其一，在官网上下载产品包，解压后将lib文件夹下的Spire.Pdf.jar手动导入IDEA；其二，在IDEA中创建一个Maven项目，然后在pom.xml文件中键入以下代码，最后点击“Import Changes”即可。

<repositories>

       <repository>

           <id>com.e-iceblue</id>

           <url>http://repo.e-iceblue.cn/repository/maven-public/</url>

       </repository>

    </repositories>

<dependencies>

    <dependency>

       <groupId>e-iceblue</groupId>

       <artifactId>spire.pdf.free</artifactId>

       <version>3.9.0</version>

    </dependency>

</dependencies>

示例代码

示例1 提取PDF文档中的所有文本内容

import com.spire.pdf.PdfDocument;

import com.spire.pdf.PdfPageBase;

import java.io.*;

public class ExtractAllText {

public static void main(String[] args) {

//创建PdfDocument实例

PdfDocument doc=new PdfDocument();

//加载PDF文档

doc.loadFromFile("C:\\Users\\Test1\\Desktop\\Sample.pdf");

//创建StringBuilder实例

StringBuilder sb=new StringBuilder();

PdfPageBase page;

//遍历PDF页面，获取每个页面的文本并添加到StringBuilder对象

for(int i=0;i

page=doc.getPages().get(i);

sb.append(page.extractText(true));

        }

FileWriter writer;

try {

//将StringBuilder对象中的文本写入到文本文件

writer = new FileWriter("output/ExtractText.txt");

writer.write(sb.toString());

writer.flush();

        } catch (IOExceptione) {

            e.printStackTrace();

        }

        doc.close();

    }

}

提取效果：

示例2 提取PDF指定页面的文本内容

import com.spire.pdf.*;

import java.io.BufferedWriter;

import java.io.File;

import java.io.FileWriter;

import java.io.IOException;

public class ExtractTextFromParticularPage {

public static void main(String[] args) throws IOException{

//加载PDF文档

PdfDocument pdf = new PdfDocument();

pdf.loadFromFile("C:\\Users\\Test1\\Desktop\\Sample.pdf");

//创建.txt文件，用于保存提取的文本

String result = "output/extractTextFromAParticularPage.txt";

File file= new File(result);

if(!file.exists()){

            file.delete();

        }

file.createNewFile();

FileWriter fw= new FileWriter(file,true);

BufferedWriter bw= new BufferedWriter(fw);

//获取第一页的文本

PdfPageBase page = pdf.getPages().get(0);

String text = page.extractText(true);

//String text = page.extractText(false);

        bw.write(text);

        bw.flush();

        bw.close();

        fw.close();

    }

}

提取效果：

示例3 提取PDF指定区域的文本内容

import com.spire.pdf.*;

import java.awt.geom.Rectangle2D;

import java.io.BufferedWriter;

import java.io.File;

import java.io.FileWriter;

import java.io.IOException;

public class ExtractTextFromSpecificArea {

public static void main(String[] args) throws IOException{

//加载PDF文档

PdfDocument pdf = new PdfDocument();

pdf.loadFromFile("C:\\Users\\Test1\\Desktop\\Sample.pdf");

//创建.txt文件，用于保存提取的文本

File file=new File("output/extractTextFromASpecificArea.txt");

if(!file.exists()){

            file.delete();

        }

 file.createNewFile();

FileWriter fw= new FileWriter(file,true);

BufferedWriter bw= new BufferedWriter(fw);

//获取第一页

PdfPageBase page = pdf.getPages().get(0);

//提取第一页指定区域的文本

String text = page.extractText(new Rectangle2D.Float(80, 20,500, 110));

bw.write(text);

bw.flush();

bw.close();

fw.close();

    }

}

提取效果：