java读取PDF并进行格式转换

 

package com.yk.test;

import java.io.FileOutputStream;
import java.io.OutputStreamWriter;
import java.io.Writer;

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

/**
 * 采用PDFBOX读取PDF文件，并进行格式转换
 * @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{
			document = PDDocument.load(pdfFile);
			if(pdfFile.length()>4){
				textFile = pdfFile.substring(0, pdfFile.length()-4) + ".txt";
			}
			// 文件输入流，写入文件到textFile
			output = new OutputStreamWriter(new FileOutputStream(textFile), encoding);
			// 采用PDFTextStripper提取文本
			PDFTextStripper 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);
			stripper.writeText(document, output);
		}catch(Exception e){
			e.printStackTrace();
		}finally{
			if(output != null){
				output.close();
			}
			if(document != null){
				document.close();
			}
		}
	}
	
	public static void main(String[] args) {
		try{
			new PDFBoxTest().getText("D:\\Java线程.pdf");
		}catch(Exception e){
			e.printStackTrace();
		}
	}

}

主要是以下jar包

 

bcmail-jdk14-132.jar

bcprov-jdk14-132.jar

checkstyle-all-4.2.jar

FontBox-0.1.0-dev.jar

PDFBox-0.7.3.jar

相关jar包可以去http://sourceforge.net/projects/pdfbox/postdownload进行下载，我下载的版本是0.7.3