Java读取PDF文字内容的方法

最后编辑时间 ：2015-01-0517:30

方法一：PDFBox

（一个BSD许可下的源码开放项目）是一个为开发人员读取和创建PDF文档而准备的纯Java类库。它提供如下特性：

提取文本，包括Unicode字符。和Jakarta Lucene等文本搜索引擎的整合过程十分简单。加密/解密PDF文档。从PDF和XFDF格式中导入或导出表单数据。向已有PDF文档中追加内容。将一个PDF文档切分为多个文档，覆盖PDF文档。

官网：http://pdfbox.apache.org/index.html 截止当前最新版本1.8.8

/**

* PdfboxUtil.java

* Create on 2015-1-5

*/

package charlie.utils.pdf;

import java.io.BufferedWriter;

import java.io.File;

import java.io.FileInputStream;

import java.io.FileWriter;

import java.io.InputStream;

import org.apache.pdfbox.pdfparser.PDFParser;

import org.apache.pdfbox.pdmodel.PDDocument;

import org.apache.pdfbox.util.PDFTextStripper;

/**

* @author CharlieChen

* @DateTime 2015-1-5 上午9:55:38

* @version 1.0

*/

public class PdfboxUtil {

/**

* @param args

*/

public static void main(String[] args) {

String pdfPath = "D:/temp/成交单-PDF格式.pdf";

String txtfilePath = "D:/temp/成交单-PDF格式-pdfbox.txt";

PdfboxUtil pdfutil = new PdfboxUtil();

try {

String content = pdfutil.getTextFromPdf(pdfPath);

pdfutil.toTextFile(content, txtfilePath);

System.out.println("Finished !");

} catch (Exception e) {

e.printStackTrace();

}

}

/**

* 读取PDF文件的文字内容

* @param pdfPath

* @throws Exception

*/

public String getTextFromPdf(String pdfPath) throws Exception {

// 是否排序

boolean sort = false;

// 开始提取页数

int startPage = 1;

// 结束提取页数

int endPage = Integer.MAX_VALUE;

String content = null;

InputStream input = null;

File pdfFile = new File(pdfPath);

PDDocument document = null;

try {

input = new FileInputStream(pdfFile);

// 加载 pdf 文档

PDFParser parser = new PDFParser(input);

parser.parse();

document = parser.getPDDocument();

// 获取内容信息

PDFTextStripper pts = new PDFTextStripper();

pts.setSortByPosition(sort);

endPage = document.getNumberOfPages();

System.out.println("Total Page: " + endPage);

pts.setStartPage(startPage);

pts.setEndPage(endPage);

try {

content = pts.getText(document);

} catch (Exception e) {

throw e;

}

System.out.println("Get PDF Content ...");

} catch (Exception e) {

throw e;

} finally {

if (null != input)

input.close();

if (null != document)

document.close();

}

return content;

}

/**

* 把PDF文件内容写入到txt文件中

* @param pdfContent

* @param filePath

*/

public void toTextFile(String pdfContent,String filePath) {

try {

File f = new File(filePath);

if (!f.exists()) {

f.createNewFile();

}

System.out.println("Write PDF Content to txt file ...");

BufferedWriter output = new BufferedWriter(new FileWriter(f));

output.write(pdfContent);

output.close();

} catch (Exception e) {

e.printStackTrace();

}

}

}

另需要commons-logging和fontbox-1.8.8的jar包

pdfbox只能做到把文字分析出来，并无法很好的控制分析的顺序，格式，字体等信息。

排序sort为true后，PDF按行读取，保持了顺序，但是遇到分栏，分页就会需要额外处理

方法二：iText

用于能够快速产生PDF文档的一个java类库。通过iText不仅可以生成PDF或rtf的文档，而且可以将XML、Html文件转化为PDF文件。支持文本，表格，图形的操作，可以方便的跟 Servlet 进行结合。

/**

* ItextpdfUtil.java

* Create on 2015-1-5

* import iText-5.0.2.jar

*/

package charlie.utils.pdf;

import java.io.FileOutputStream;

import java.io.IOException;

import java.io.PrintWriter;

import com.itextpdf.text.pdf.PdfReader;

import com.itextpdf.text.pdf.parser.PdfReaderContentParser;

import com.itextpdf.text.pdf.parser.PdfTextExtractor;

import com.itextpdf.text.pdf.parser.SimpleTextExtractionStrategy;

import com.itextpdf.text.pdf.parser.TextExtractionStrategy;

/**

* @author CharlieChen

* @DateTime 2015-1-5 上午11:43:26

* @version 1.0

*/

public class ItextpdfUtil {

/**

* @param args

*/

public static void main(String[] args) {

String pdfPath = "D:/temp/成交单-PDF格式.pdf";

String txtfilePath = "D:/temp/成交单-PDF格式-itext.txt";

//readPdfToTxt(pdfPath,txtfilePath); //调用读取方法

System.out.println(readPdfToTxt(pdfPath));

System.out.println("Finished !");

}

/**

* 读取PDF文件内容到txt文件

*

* @param writer

* @param pdfPath

*/

private static void readPdfToTxt(String pdfPath,String txtfilePath) {

// 读取pdf所使用的输出流

PrintWriter writer = null;

PdfReader reader = null;

try {

writer = new PrintWriter(new FileOutputStream(txtfilePath));

reader = new PdfReader(pdfPath);

int num = reader.getNumberOfPages();// 获得页数

System.out.println("Total Page: " + num);

String content = ""; // 存放读取出的文档内容

for (int i = 1; i <= num; i++) {

// 读取第i页的文档内容

content += PdfTextExtractor.getTextFromPage(reader, i);

}

String[] arr = content.split("/n");

for(int i=0;i<arr.length;i++){

System.out.println(arr[i]);

/*String[] childArr = arr[i].split(" ");

for(int j=0;j<childArr.length;j++){

System.out.println(childArr[j]);

}*/

}

//System.out.println(content);

writer.write(content);// 写入文件内容

writer.flush();

writer.close();

} catch (IOException e) {

e.printStackTrace();

}

}

/**

* 读取pdf内容

* @param pdfPath

*/

private static String readPdfToTxt(String pdfPath) {

PdfReader reader = null;

StringBuffer buff = new StringBuffer();

try {

reader = new PdfReader(pdfPath);

PdfReaderContentParser parser = new PdfReaderContentParser(reader);

int num = reader.getNumberOfPages();// 获得页数

TextExtractionStrategy strategy;

for (int i = 1; i <= num; i++) {

strategy = parser.processContent(i,

new SimpleTextExtractionStrategy());

buff.append(strategy.getResultantText());

}

} catch (IOException e) {

e.printStackTrace();

}

return buff.toString();

}

}

方法三：XPDF

xpdf是一个开源项目，我们可以调用他的本地方法来实现抽取中文pdf文件。过程复杂，参照以下博客:

在linux下如何安装xpdf：http://blog.chinaunix.net/uid-7591044-id-1742951.html

Window系统安装xpdf : http://blog.csdn.net/jiuyueguang/article/details/10083965

http://www.thinksaas.cn/group/topic/149121/