zoukankan      html  css  js  c++  java
  • Apache PDFbox开发指南之PDF文档读取

    转载请注明来源:http://blog.csdn.net/loongshawn/article/details/51542309

    相关文章:

    1、介绍

    Apache PDFbox是一个开源的、基于Java的、支持PDF文档生成的工具库,它可以用于创建新的PDF文档,修改现有的PDF文档,还可以从PDF文档中提取所需的内容。Apache PDFBox还包含了数个命令行工具。 
    Apache PDFbox于2016年4月26日发布了最新的2.0.1版。

    备注:本文代码均是基于2.0及以上版本编写。

    官网地址:https://pdfbox.apache.org/index.html

    PDFBox 2.0.1 API在线文档:https://pdfbox.apache.org/docs/2.0.1/javadocs/

    2、特征

    Apache PDFBox主要有以下特征: 
    PDF读取、创建、打印、转换、验证、合并分割等特征。

    3、开发实战

    3.1、场景说明

    • 1、读取PDF文本内容,样例中为读取体检报告文本内容。

    • 2、提取PDF文档中的图片。这里仅仅实现将PDF中的图片另存为一个单独的PDF,至于需要直接输出图片文件(暂时没有实现),大家可以参考我的代码加以拓展,主要就是处理PDImageXObject对象。

    3.2、所需jar包

    pdfbox-2.0.1.jar下载地址

    fontbox-2.0.1.jar下载地址

    将上述两jar包添加到工程库中,如下: 
    这里写图片描述

    3.3、文本内容提取

    3.3.1、文本内容提取

    创建PdfReader类,编写下述功能函数。

    package com.loongshaw;
    
    import java.io.File;
    import java.io.FileInputStream;
    import java.io.InputStream;
    
    import org.apache.pdfbox.io.RandomAccessBuffer;
    import org.apache.pdfbox.pdfparser.PDFParser;
    import org.apache.pdfbox.pdmodel.PDDocument;
    import org.apache.pdfbox.text.PDFTextStripper;
    
    public class PdfReader {
    
        public static void main(String[] args){
    
            File pdfFile = new File("/Users/dddd/Downloads/0571888890423433356rrrr_182-93201510313223336-2.pdf");
            PDDocument document = null;
            try
            {
                // 方式一:
                /**
                InputStream input = null;
                input = new FileInputStream( pdfFile );
                //加载 pdf 文档
                PDFParser parser = new PDFParser(new RandomAccessBuffer(input));
                parser.parse();
                document = parser.getPDDocument();
                **/
    
                // 方式二:
                document=PDDocument.load(pdfFile);
    
                // 获取页码
                int pages = document.getNumberOfPages();
    
                // 读文本内容
                PDFTextStripper stripper=new PDFTextStripper();
                // 设置按顺序输出
                stripper.setSortByPosition(true);
                stripper.setStartPage(1);
                stripper.setEndPage(pages);
                String content = stripper.getText(document);
                System.out.println(content);     
            }
            catch(Exception e)
            {
                System.out.println(e);
            }
    
        }
    
    }
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39
    • 40
    • 41
    • 42
    • 43
    • 44
    • 45
    • 46
    • 47
    • 48
    • 49
    • 50
    • 51
    • 52

    3.3.2、过程说明

    PDF文件加载有两种方式,无明显差异,方式二代码较简洁:

    // 方式一:         
            InputStream input = null;
            input = new FileInputStream( pdfFile );
            //加载 pdf 文档
            PDFParser parser = new PDFParser(new RandomAccessBuffer(input));
            parser.parse();
            document = parser.getPDDocument();
     // 方式二:
            document=PDDocument.load(pdfFile);                  
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9

    3.3.3、执行结果

    这里写图片描述

    3.4、图片提取(2016-12-02添加)

    3.3.1、图片提取

    public static void readImage(){
    
            // 待解析PDF
            File pdfFile = new File("/Users/xiaolong/Downloads/test.pdf");      
            // 空白PDF
            File pdfFile_out = new File("/Users/xiaolong/Downloads/testout.pdf");
    
            PDDocument document = null;  
            PDDocument document_out = null;  
            try {  
                document = PDDocument.load(pdfFile);  
                document_out = PDDocument.load(pdfFile_out);  
            } catch (IOException e) {  
                e.printStackTrace();
            }  
    
            int pages_size = document.getNumberOfPages();
    
            System.out.println("getAllPages==============="+pages_size);  
            int j=0;
    
            for(int i=0;i<pages_size;i++) {  
                PDPage page = document.getPage(i);
                PDPage page1 = document_out.getPage(0);
                PDResources resources = page.getResources();  
                Iterable xobjects = resources.getXObjectNames();
    
                if (xobjects != null) {  
                    Iterator imageIter = xobjects.iterator();  
                    while (imageIter.hasNext()) {  
                        COSName key = (COSName) imageIter.next();  
                        if(resources.isImageXObject(key)){              
                            try {
                                PDImageXObject image = (PDImageXObject) resources.getXObject(key);
    
                                // 方式一:将PDF文档中的图片 分别存到一个空白PDF中。
                                PDPageContentStream contentStream = new PDPageContentStream(document_out,page1,AppendMode.APPEND,true);
    
                                float scale = 1f;
                                contentStream.drawImage(image, 20,20,image.getWidth()*scale,image.getHeight()*scale);
                                contentStream.close();
                                document_out.save("/Users/xiaolong/Downloads/123"+j+".pdf");
    
                                System.out.println(image.getSuffix() + ","+image.getHeight() +"," + image.getWidth());
    
                                /**
                                // 方式二:将PDF文档中的图片 分别另存为图片。
                                File file = new File("/Users/xiaolong/Downloads/123"+j+".png");
                                FileOutputStream out = new FileOutputStream(file);
    
                                InputStream input = image.createInputStream();                   
    
                                int byteCount = 0;
                                byte[] bytes = new byte[1024];
    
                                while ((byteCount = input.read(bytes)) > 0)
                                {                       
                                    out.write(bytes,0,byteCount);       
                                }
    
                                out.close();
                                input.close();
                                **/
    
                            } catch (IOException e) {
                                // TODO Auto-generated catch block
                                e.printStackTrace();
                            } 
                            //image count
                            j++;  
                        }                 
                    }  
                } 
            } 
    
            System.out.println(j);
        }  
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39
    • 40
    • 41
    • 42
    • 43
    • 44
    • 45
    • 46
    • 47
    • 48
    • 49
    • 50
    • 51
    • 52
    • 53
    • 54
    • 55
    • 56
    • 57
    • 58
    • 59
    • 60
    • 61
    • 62
    • 63
    • 64
    • 65
    • 66
    • 67
    • 68
    • 69
    • 70
    • 71
    • 72
    • 73
    • 74
    • 75
    • 76
    • 77

    3.4.2、过程说明

    此方法可以取出源PDF中图片对象PDImageXObject,然后可以对该对象进行相关处理,本代码实现了将提取出来的每一个图片对象,插入到一个空白的PDF文档中。

    有一点需要说明,以上代码注释部分本意是想直接生成图片文件,但尝试后发现文件异常。因此大家在这个代码基础上有新的想法可以继续尝试。

    3.4.3、执行结果

    这里写图片描述 
    源PDF文件中包含19张图片

    这里写图片描述 
    分别生成19个仅包含单独图片的PDF

    4、小结

    本文仅介绍了利用Apache PDFbox相关开发包读取PDF文本,其他复杂功能暂未涉及,需要大家自己线下探索、尝试。

     
     
  • 相关阅读:
    Ubuntu(Debian)的aptitude与aptget的区别和联系
    安装lxml相关
    解决Ubuntu 12.04更新后 ”系统的网络服务与此版本的网络管理器不兼容“问题
    Windows下配置Nginx代理Django
    scons入门笔记
    git仓库合并(向原有git仓库中加入新仓库)
    asterisk源码分析(main函数)
    live555源码编译(win7+vs2010)
    asterisk源码目录结构
    小试一题
  • 原文地址:https://www.cnblogs.com/exmyth/p/7840310.html
Copyright © 2011-2022 走看看