使用pdfbox处理pdf文档

《使用pdfbox处理pdf文档》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、使用PDFBox处理PDF文档在本书的前面所介绍的内容中，所处理的都是纯文本文件。但是事实上，人们用于保存信息的文件并不是纯文本格式。现在比较流行的文件存储格式有Adobe公司的PDF和Microsoft的Word、Excel等。在处理这些文件的时候，不能简单的从文件读取字符，需要根据他们特殊的格式提取内容。本章就将对比较流行的PDF、Word和Excel格式的处理工具逐一进行介绍。7.1 使用PDFBox处理PDF文档PDF全称PortableDocumentFormat，是Adobe公司开发的电子文件格式。这种文件格式与操作

2、系统平台无关，可以在Windows、Unix或MacOS等操作系统上通用。PDF文件格式将文字、字型、格式、颜色及独立于设备和分辨率的图形图像等封装在一个文件中。如果要抽取其中的文本信息，需要根据它的文件格式来进行解析。幸好目前已经有不少工具能帮助我们做这些事情。7.1.1 PDFBox的下载最常见的一种PDF文本抽取工具就是PDFBox了，访问网址http://sourceforge.net/projects/pdfbox/，进入如图7-1所示的下载界面。图7-1 PDFBox的下载页面读者可以在该网页下载其最新的版本。本书采

3、用的是PDFBox-0.7.3版本。PDFBox是一个开源的JavaPDF库，这个库允许你访问PDF文件的各项信息。在接下来的例子中，将演示如何使用PDFBox提供的API，从一个PDF文件中提取出文本信息。7.1.2 在Eclipse中配置以下是在Eclipse中创建工程，并建立解析PDF文件的工具类的过程。（1）在Eclipse的workspace中创建一个普通的Java工程：ch7。（2）把下载的PDFBox-0.7.3.zip解压，解压后的目录结构如图7-2所示。图7-2 解压后的PDFBox包（3）进入external

4、目录下，可以看到，这里包括了PDFBox所有用到的外部包。复制下面的Jar包到工程ch7的lib目录下（如还未建立lib目录，则先创建一个）。l bcmail-jdk14-132.jarl bcprov-jdk14-132.jarl checkstyle-all-4.2.jarl FontBox-0.1.0-dev.jarl lucene-core-2.0.0.jar然后再从PDFBox的lib目录下，复制PDFBox-0.7.3.jar到工程的lib目录下。（4）在工程上单击右键，在弹出的快捷菜单中选择“BuildPath->

5、ConfigBuildPath->AddJars”命令，把工程lib目录下面的包都加入工程的BuildPath。笔者机器上完整的工程目录如图7-3所示：图7-3 工程截图7.1.3 使用PDFBox解析PDF内容在刚刚创建的Eclipse工程中，创建一个ch7.pdfbox包，并创建一个PdfboxTest类。该类包含一个getText方法，用于从一个PDF中获取文本信息，其代码如下。代码7.1publicvoidgeText(Stringfile)throwsException{//是否排序  booleansort=fals

6、e;//pdf文件名  StringpdfFile=file;//输入文本文件名称  StringtextFile=null;//编码方式  Stringencoding="UTF-8";//开始提取页数  intstartPage=1;//结束提取页数  intendPage=Integer.MAX_VALUE;//文件输入流，生成文本文件  Writeroutput=null;//内存中存储的PDFDocument  PDDocumentdocument=null;try{     try{        //首先当作一个U

7、RL来装载文件，如果得到异常再从本地文件系统//去装载文件        URLurl=newURL(pdfFile);        document=PDDocument.load(url);        //获取PDF的文件名        StringfileName=url.getFile();        //以原来PDF的名称来命名新产生的txt文件        if(fileName.length()>4){           FileoutputFile=newFile(fileName.substri

8、ng(0,fileName.length()-4)+".txt");           textFile=outputFile.getName();        }     }catch(MalformedURLExceptione){        //如