Delphi提取PDF文本

生成PDF的控件很多，但解析的不是太多，pdf Toolkit可以，但测试的第一个复杂的pdf就报告错误，并且汉字乱码，可能使用的版本或使用方法不对。

想起之前使用java调用的Apache名下的pdfBox库很好用，于是就用下载了pdfBox，使用Delphi来调用pdfBox解析pdf文本。

环境要求：java运行环境

pdfBox应用包：pdfbox-app-2.0.6.jar

这里使用了DOS命令行来解析，然后调用解析结果。

首先是执行DOS命令：

procedure CheckResult(b: Boolean);
begin
  if not b then
    raise Exception.Create(SysErrorMessage(GetLastError));
end;

function RunDOS(const CommandLine: string): string;
var
  HRead, HWrite: THandle;
  StartInfo: TStartupInfo;
  ProceInfo: TProcessInformation;
  b: Boolean;
  sa: TSecurityAttributes;
  inS: THandleStream;
  sRet: TStrings;
begin
  Result := '';
  FillChar(sa, sizeof(sa), 0);
//设置允许继承，否则在NT和2000下无法取得输出结果
  sa.nLength := sizeof(sa);
  sa.bInheritHandle := True;
  sa.lpSecurityDescriptor := nil;
  b := CreatePipe(HRead, HWrite, @sa, 0);
  CheckResult(b);

  FillChar(StartInfo, SizeOf(StartInfo), 0);
  StartInfo.cb := SizeOf(StartInfo);
  StartInfo.wShowWindow := SW_HIDE;
//使用指定的句柄作为标准输入输出的文件句柄,使用指定的显示方式
  StartInfo.dwFlags := STARTF_USESTDHANDLES or STARTF_USESHOWWINDOW;
  StartInfo.hStdError := HWrite;
  StartInfo.hStdInput := GetStdHandle(STD_INPUT_HANDLE); //HRead;
  StartInfo.hStdOutput := HWrite;

  b := CreateProcess(nil, //lpApplicationName: PChar
    PChar(CommandLine), //lpCommandLine: PChar
    nil, //lpProcessAttributes: PSecurityAttributes
    nil, //lpThreadAttributes: PSecurityAttributes
    True, //bInheritHandles: BOOL
    CREATE_NEW_CONSOLE,
    nil,
    nil,
    StartInfo,
    ProceInfo);

  CheckResult(b);
  WaitForSingleObject(ProceInfo.hProcess, INFINITE);

  inS := THandleStream.Create(HRead);
  if inS.Size > 0 then
  begin
    sRet := TStringList.Create;
    sRet.LoadFromStream(inS);
    Result := sRet.Text;
    sRet.Free;
  end;
  inS.Free;

  CloseHandle(HRead);
  CloseHandle(HWrite);
end;

然后调用显示：

function TfrmPDFTool.GetPDFText(sFile: string): string;
var
  cmd:string;
  pdfFilePath,pdfFileName,txtFileName:String;
begin
  //java -jar pdfbox-app-2.0.6.jar ExtractText -encoding utf-8 e:\temp\test.pdf e:\temp\testiii.txt
  pdfFilePath:=ExtractFilePath(sFile);
  pdfFileName:=ExtractFileName(sFile);
  txtFileName:=FAppPath+'Temp'+pdfFileName+'.txt';
  cmd:='java -jar '+FAppPath+'PDFBoxpdfbox-app-2.0.6.jar ExtractText '
    +' -encoding utf-8 '+sFile
    +' '+txtFileName;

  AddLog(cmd);

  Result:=RunDOS(cmd);

  AddLog(Result);

  memTxtFile.Lines.LoadFromFile(txtFileName,TUTF8Encoding.Create);

  FPDFText:=memTxtFile.Text;

  AddLog(FPDFText);

end;

OK，大功告成！