使用PDFBox处理PDF文档

在本书的前面所介绍的内容中，所处理的都是纯文本文件。但是事实上，人们用于保存信息的文件并不是纯文本格式。现在比较流行的文件存储格式有Adobe公司的PDF和Microsoft的Word、Excel等。在处理这些文件的时候，不能简单的从文件读取字符，需要根据他们特殊的格式提取内容。本章就将对比较流行的PDF、Word和Excel格式的处理工具逐一进行介绍。

7.1  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。

7.1.1  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。

图7-1  PDFBox的下载页面

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。

7.1.2  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，解压后的目录结构如图7-2所示。

图7-2  解压后的PDFBox包

（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。笔者机器上完整的工程目录如图7-3所示：

图7-3  工程截图

7.1.3  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。

代码7.1

public void geText(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，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

         String fileName = url.getFile();

        

// 以原来PDF的名称来命名新产生的txt文件

         if (fileName.length() > 4) {

            File outputFile = new File(fileName.substring(0, fileName.length() - 4) + ".txt");

            textFile = outputFile.getName();

         }

      } 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);

         if (pdfFile.length() > 4) {

            textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";

         }

      }

      // 文件输入流，写入文件倒textFile

      output = new OutputStreamWriter(new FileOutputStream(textFile), encoding);

      // 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);

// 调用PDFTextStripper的writeText提取并输出文本

      stripper.writeText(document, output);

   } finally {

      if (output != null) {

         // 关闭输出流

         output.close();

      }

      if (document != null) {

         // 关闭PDF Document

         document.close();

      }

   }

}

在上面的代码中，getText方法接收一个String类型的参数，指定要提取的PDF文件路径。这个位置可以是一个URL或本地文件。然后函数调用PDFBox提供的PDFTextStripper类，设置提取过程中的一些属性（如起始页、是否排序等）。最后将文本提取并写入文件。

7.1.4  运行效果

下面看一下这个函数的运行效果，在PdfboxTest加入一个main函数，其代码如下。

public static void main(String[] args) {

   PdfboxTest test = new PdfboxTest();

   try {

      // 取得C盘下的index.pdf的内容

      test.geText("C:\\index.pdf");

   } catch (Exception e) {

      e.printStackTrace();

   }

}

这里要处理一个index.pdf文件，该PDF文件的内容如图7-4所示。

图7-4  要解析的PDF文档内容

通过PdfboxTest处理后的文本文件如图7-5所示。

图7-5  处理的结果

可以看到，PDF中的文本已经被提取出来，保存于文本文件中了。其中第4行的超链接部分“POI News WebBlog”，在文本文件中已经被替换成了普通的纯文本。读者可以根据PDFBox所提供的API文档进一步查询其他功能。

7.1.5  与Lucene的集成

PDFBox还提供和Lucene的集成，它提供了一套简单的方法把PDF Documents加入到Lucene的索引中去，请看以下代码：

Document lucenedocument = LucenePDFDocument.getDocument(…);

其中，LucenePDFDocument是PDFBox中提供的一个类，它的getDocument被重载为3个方法，分别接收一个File对象、InputStream对象或者URL对象作为参数，然后从该参数传递进来的PDF文件中，提取并生成Lucene的Document对象。

当通过PDFBox从一个PDF文档中得到一个Lucene Document后，可以直接使用IndexWriter把它加到Lucene的index中。LucenePDFDocument自动从PDF文件中提取各种元数据Field，并把它们加入到Document中。它提取的信息如表7-1所示。

表7-1  PDFBox生成的Lucene Document格式

Lucene Field名称	说明
path	文件系统路径（如果文档是从文件装载）
url	URL地址（如果文档是从网络装载）
contents	整个Document的内容，索引但不存储
summary	Document的内容前500个字符
modified	最后修改时间
uid	Document的惟一ID
CreationDate	从PDF的meta-data获取
Creator	从PDF的meta-data获取
Keywords	从PDF的meta-data获取
ModificationDate	从PDF的meta-data获取
Producer	从PDF的meta-data获取
Subject	从PDF的meta-data获取
Trapped	从PDF的meta-data获取

下面通过LucenePDFDocument，直接对PDF建立索引，在ch7.pdfbox包下面新建一个PdfLuceneTest类，该类的代码如下。

代码7.2

public class PdfLuceneTest {

    public static void main(String[] args) {

        try {

            // IndexWriter存放索引到d:\index下

            IndexWriter writer = new IndexWriter("d:\\index",

                    new StandardAnalyzer(), true);

            // LucenePDFDocument返回由PDF产生的Lucene Docuement

            Document d = LucenePDFDocument

                    .getDocument(new File("C:\\index.pdf"));

            // 写入索引

            writer.addDocument(d);

            // 关闭索引文件流

            writer.close();

            // 读取d:\index下的索引文件建立IndexSearcher

            IndexSearcher searcher = new IndexSearcher("d:\\index");

            // 对索引的contents Field进行查找关键词poi

            Term t = new Term("contents", "poi");

            // 根据Term生成Query

            Query q = new TermQuery(t);

            // 搜索返回结果集

            Hits hits = searcher.search(q);

            // 打印结果集

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

                System.out.println(hits.doc(i));

            }

        } catch (Exception e) {

            e.printStackTrace();

        }

    }

}

函数利用LucenePDFDocument的getDocument函数，从一个PDF文件直接返回一个Lucene的Document，其中包含有path、url、modified、contents、summary等Field，把它们直接写入index，然后创建一个IndexSearcher，对contents字段经行检索，查找关键词“poi”（注意必须是小写），程序的执行结果如图7-6所示。