2008-09-17 22:47
转自:http://book.csdn.net/bookfiles/312/10031212844.shtml
使用xpdf来处理中文PDF文档
一、PDFBox看起来非常的方便,它的API功能强大。甚至能和Lucene进行无缝的结合。但是它有一个致命的弱点,就是它不支持中文。要提取中文的文本,可以采用另一个非常出色的工具xpdf。
二、xpdf的下载
读者可以到http://www.foolabs.com/xpdf/download.html下载最新版本的xpdf。如图7-7所示
本书采用的是xpdf-3.01pl2-win32.zip。另外,还需要下载一个中文包xpdf-chinese-simplified.tar.gz。
三、配置
将xpdf-3.01pl2-win32.zip解压到c:\xpdftest目录下,然后将xpdf-chinese-simplified.tar.gz解压倒c:\xpdftest\xpdf\目录下,解压后的目录结构如图7-8所示。
打开目录下的xpdfrc文件,编辑文件内容,如下代码所示。
代码7.3
cidToUnicode Adobe-GB1 c:\xpdftest\xpdf\xpdf-chinese-simplified\Adobe-GB1.cidToUnicode
unicodeMap ISO-2022-CN c:\xpdftest\xpdf\xpdf-chinese-simplified\ISO-2022-CN.unicodeMap
unicodeMap EUC-CN c:\xpdftest\xpdf\xpdf-chinese-simplified\EUC-CN.unicodeMap
unicodeMap GBK c:\xpdftest\xpdf\xpdf-chinese-simplified\GBK.unicodeMap
cMapDir Adobe-GB1 c:\xpdftest\xpdf\xpdf-chinese-simplified\CMap
toUnicodeDir c:\xpdftest\xpdf\xpdf-chinese-simplified\CMap
fontDir C:\WINDOWS\Fonts
displayCIDFontTT Adobe-GB1 C:\WINDOWS\Fonts\simhei.ttf
textEOL CR+LF
文件的路径读者可以根据自己的环境改,如在windows 2000下,fontDir所在的位置是C:\WINNT\Fonts,displayCIDFontTT Adobe-GB1的位置是在C:\WINNT\Fonts\simhei.ttf。
四、提取中文
在工程中新建一个ch7.xpdf包,并创建一个Pdf2Text类。该类采用Runtime传入参数,调用pdftotext.exe来进行文本的提取。其具体实现代码如下。
代码7.4
public class Pdf2Text {
// PDF文件名
private File pdffile;
// 转换器的存放位置,默认在c:\xpdf下面
private String CONVERTOR_STORED_PATH = "c:\\xpdf";
// 转换器的名称,默认为pdftotext
private String CONVERTOR_NAME = "pdftotext";
// 构造函数,参数为pdf文件的路径
public Pdf2Text(String pdffile) throws IOException {
this(new File(pdffile));
}
// 构造函数,参数为pdf文件的对像
public Pdf2Text(File pdffile) throws IOException {
this.pdffile = pdffile;
}
// 将pdf转为文本文档
public void toTextFile() throws IOException {
toTextFile(pdffile, true);
}
// 将pdf转为文本文档,参数为目标文件的路径,默认使用PDF文件中的布局
public void toTextFile(String targetfile) throws IOException {
toTextFile(new File(targetfile), true);
}
// 将pdf转为文本文档,参数1为目标文件的路径,
// 参数2为true则表示使用PDF文件中的布局
public void toTextFile(String targetfile, boolean isLayout)
throws IOException {
toTextFile(new File(targetfile), isLayout);
}
// 将pdf转为文本文档,参数为目标文件
public void toTextFile(File targetfile) throws IOException {
toTextFile(targetfile, true);
}
// 将pdf转为文本文档,参数1为目标文件,
// 参数2为true则表示使用PDF文件中的布局
public void toTextFile(File targetfile, boolean isLayout)
throws IOException {
String[] cmd = getCmd(targetfile, isLayout);
Process p = Runtime.getRuntime().exec(cmd);
}
// 获取PDF转换器的路径
public String getCONVERTOR_STORED_PATH() {
return CONVERTOR_STORED_PATH;
}
// 设置PDF转换器的路径
public void setCONVERTOR_STORED_PATH(String path) {
if (!path.trim().endsWith("\\"))
path = path.trim() + "\\";
this.CONVERTOR_STORED_PATH = path;
}
// 解析命令行参数
private String[] getCmd(File targetfile, boolean isLayout) {
// 命令字符
String command = CONVERTOR_STORED_PATH + CONVERTOR_NAME;
// PDF文件的绝对路径
String source_absolutePath = pdffile.getAbsolutePath();
// 输出文本文件的绝对路径
String target_absolutePath = targetfile.getAbsolutePath();
// 保持原来的layout
String layout = "-layout";
// 设置编码方式
String encoding = "-enc";
String character = "GBK";
// 设置不打印任何消息和错误
String mistake = "-q";
// 页面之间不加入分页
String nopagebrk = "-nopgbrk";
// 如果isLayout为false,则设置不保持原来的layout
if (!isLayout)
layout = "";
return new String[] { command, layout, encoding, character, mistake,
nopagebrk, source_absolutePath, target_absolutePath };
}
}
该类对外提供一个toTextFile()方法。该方法接收2个参数:targetfile为目标PDF文件,isLayout表示是否采用原始的PDF文件中的layout布局。类中的getCmd()方法负责解析传进来的参数,并生成一个String数组。该String数组表示一个操作系统中的命令,其中,各项分别代表命令后所跟的参数。在获得到该数组后,再调用Runtime.getRuntime().exec(String[])函数来执行命令。
注意:在getCmd()方法中设置编码方式的时候,用到的是GBK。这并不是对所有的文件都适用,因为中文的编码方式不只一种,读者可以根据PDF的编码类型选择不同的encoding方式。所有简体中文的编码方式都定义在文件xpdfrc中的unicodeMap中,现在支持3种编码方式,分别是ISO-2022-CN,EUC-CN,GBK,如图7-9所示。
图7-9 xpdfrc文件的内容
五、运行效果
下面通过一个函数来测试Pdf2Text类,在ch7.xpdf包中新建一个Pdf2TextTest类,包含一个main函数,其代码如下。
代码7.5
public class Pdf2TextTest {
public static void main(String[] args) {
try {
// 参数输入PDF文件的存放位置
Pdf2Text p2t = new Pdf2Text("c:\\test.pdf");
// 设定转换器的位置
p2t.setCONVERTOR_STORED_PATH("c:\\xpdftest\\xpdf");
// 设置文本文件存放位置
p2t.toTextFile("c:\\test.txt");
} catch (Exception e) {
e.printStackTrace();
}
}
}
用于转换的PDF文件如图7-10所示。
图7-10
代码7.5运行之后,结果如图7-11所示。
图7-11 运行结果
分享到:
相关推荐
综上所述,xpdf和PDFBox都是强大的PDF处理工具,它们允许开发者轻松地将PDF文档转换为TXT格式。在本项目中,xpdf被优选用于PDF到TXT的转换,这可能归功于其高效性和在特定场景下的优秀表现。然而,了解这两种工具...
XPDF是一款著名的开源PDF库,主要功能是解析、渲染和处理PDF文档。它由多个组件组成,包括pdftohtml、pdffonts、pdfinfo等,可用于查看PDF元数据、提取文本和图像,以及将PDF转换为HTML等格式。在Windows平台,尤其...
**开源PDF阅读器xpdf3.0.4详解** PDF(Portable Document Format)是一种广泛用于电子文档交换的格式,因其跨平台性和保真性而深受用户喜爱。在众多的PDF阅读器中,开源项目xpdf是一款高效且轻量级的解决方案,特别...
XPDF是一个开源的PDF文档处理工具套件,它提供了多种功能,包括将PDF文件转换为HTML或纯文本格式。这个工具在处理PDF文档时,尤其是对于中文简体和繁体的支持,表现得非常出色。在IT行业中,XPDF因其免费、高效和跨...
Xpdf是一款开源的PDF阅读器和工具集,主要用于Linux系统,它提供了查看、打印和提取PDF文件内容的功能。本篇文章将详细介绍如何使用Xpdf来实现PDF的读取。 首先,Xpdf的核心组件包括: 1. **pdftotext**:这个工具...
Xpdf库是一个强大的开源工具包,专为C和C++开发者设计,用于处理PDF(Portable Document Format)文件。这个库提供了丰富的API,使得在各种应用中读取、解析、渲染和编辑PDF文档变得轻而易举。Xpdf库的最新版本是...
本文将探讨如何使用xpdf和PDFBox这两个开源库来处理中文PDF文档,并对它们进行比较。 首先,xpdf是一个开源的PDF阅读和处理工具集,主要包含pdftotext、pdffonts、pdfinfo和pdftoppm等组件。在处理中文PDF时,xpdf...
pdfutils是xpdf中的实用工具集合,可能包含了一些用于辅助处理PDF文档的函数,比如提取元数据、合并PDF文件或者分割PDF。这些工具对于阅读器的某些高级功能至关重要。 PDFLibNet可能是一个.NET包装器,使得C#代码...
xPDF是一个开源的PDF处理工具集,它包含了处理PDF文件的各种组件,如解析PDF文档、渲染页面等。而Qt则是一个流行的跨平台应用开发框架,用于构建美观且功能丰富的图形用户界面。 首先,让我们详细了解一下xPDF库。...
`xpdf` 是一个开源的PDF阅读器和工具集合,主要包括三个主要组件:`pdftotext`、`pdffonts` 和 `pdffileinfo`。`pdftotext` 可以将PDF文档转换为纯文本格式,便于文字处理;`pdffonts` 用于查看PDF文件中所用字体的...
`cpp-pdftojson`是一个开源项目,它利用XPDF工具包的功能,将PDF文档中的文本提取出来,并转换为JSON格式的数据。这个项目主要面向C++开发者,提供了方便的方式来处理PDF文档,特别是对于需要从PDF中抓取文本并进行...
xpdf是用于PDF处理的一个工具集,虽然最初是用C++编写的,但Lucene通过Java Native Interface (JNI)将其集成到了Java环境中,使得Java开发者也能方便地利用xpdf的功能。 要使用Lucene的xpdf包进行PDF到TXT的转换,...
总的来说,xpdf是一个在Linux环境下阅读和处理PDF文件的必备工具。它的轻便性、功能性以及跨平台能力使得它在Linux社区中有着广泛的使用。通过熟练掌握xpdf,Linux用户可以更好地应对PDF文件带来的各种挑战,提升...
xpdf-3.02pl2-linux.tar.gz 是一个专为Linux操作系统设计的PDF处理工具包,主要用于在Linux环境下对PDF格式的文件进行查看、转换和处理。这个工具包包含了多个实用程序,可以帮助用户高效地管理和操作PDF文档。 1. ...
xpdf是一款开源的PDF阅读器和转换工具,它可以用来查看、打印以及提取PDF文档中的文本、图像等元素。对于中文PDF文档而言,xpdf同样具有非常出色的处理能力。通过安装特定的语言支持包,xpdf能够准确地识别并提取...
Xpdf是一款专为Linux操作系统设计的PDF文档查看软件,它提供了简单而实用的界面,让用户能够在开源平台上轻松浏览PDF文件。Xpdf的出现,弥补了Linux系统中PDF阅读工具的空白,使得用户无需依赖于Windows或Mac平台上...
通过XPDF读取PDF内容并转化为txt格式的过程中,可能会出现如下提示: Syntax Error: Unknown character collection 'Adobe-GB1' Syntax Error: Couldn't find 'UniGB-UTF16-H' CMap file for 'Adobe-GB1' ...
XPDF是由 Glyph & Cog, LLC 开发的一套开源PDF阅读和处理工具。它的核心是`pdftopng`、`pdftotext`和`pdfinfo`等命令行工具,它们分别用于将PDF转换为PNG图像、提取文本内容以及获取PDF文件的元信息。XPDF轻量级且...
xpdf为C++实现pdf转png,开源免费,完美实现pdf转png,无中文乱码问题,内嵌自定义字体的pdf(复制文本出来变乱码)也能正常转换; 一键安装sh,解决 执行命令pdftopng报字体找不到问题;编译xpdf源码生成pdftopng可...
PHP读取PDF文件, 仅支持 Thread Safety 版本的 PHP 5.5.x / 5.6.x / 7.0.x / 7.1.x / 7.2.x, 将对应的版本 php_xpdf.dll 复制到 PHP ext 目录下。 编译采用版本分别为 5.5.38 / 5.6.40 / 7.0.33 / 7.1.26 / 7.2.14 ...