使用PDFBox处理PDF文档

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/
使用PDFBox解析PDF内容

package com.ibm.pdf;

import java.io.File;
import java.io.FileOutputStream;
import java.io.OutputStreamWriter;
import java.io.Writer;
import java.net.MalformedURLException;
import java.net.URL;

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

/**
 * 读取pdf文档 英文
 * @author Administrator
 *
 */
public class PdfBoxTest {

	public void getText(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();

			}

		}

	}

	public static void main(String[] args) {

		PdfBoxTest test = new PdfBoxTest();

		   try {

		      // 取得C盘下的index.pdf的内容

		      test.getText("C:\\linuxprog.pdf");

		   } catch (Exception e) {

		      e.printStackTrace();

		   }

		}


}

评论

1 楼 InnocentBoy 2009-07-31  

怎么这么多一样的文章！