关于java:Java-提取PDF文本内容

概述

一般来说，咱们无奈对 PDF 文档格局的内容进行批改编辑，但当咱们确有此需要时，可通过提取文本内容的形式来实现。本文就将介绍如何通过 Java 代码来提取 PDF 文档中的文本内容。

此教程用到的第三方控件是Free Spire.PDF for Java（免费版）。依据不同需要，它能够反对以下三方面的提取性能。

• 提取 PDF 文档中的 所有文本内容
• 提取 PDF指定页面 的文本内容
• 提取 PDF指定区域 的文本内容

Jar 包的获取及导入

在运行代码前，需将 Free Spire.PDF for Java 控件中的 Jar 包导入 IDEA 中。导入形式有两种：其一，在官网上下载产品包，解压后将 lib 文件夹下的 Spire.Pdf.jar 手动导入 IDEA；其二，在 IDEA 中创立一个 Maven 我的项目，而后在 pom.xml 文件中键入以下代码，最初点击“Import Changes”即可。

<repositories>
<repository>
<id>com.e-iceblue</id>
<url>http://repo.e-iceblue.cn/repository/maven-public/</url>
</repository>
</repositories>
<dependencies>
<dependency>
<groupId>e-iceblue</groupId>
<artifactId>spire.pdf.free</artifactId>
<version>3.9.0</version>
</dependency>
</dependencies>

示例代码

示例 1 提取 PDF 文档中的所有文本内容

import com.spire.pdf.PdfDocument;
import com.spire.pdf.PdfPageBase;
import java.io.*;
public class ExtractAllText {public static void main(String[] args) {
        // 创立 PdfDocument 实例
 PdfDocument doc=new PdfDocument();
        // 加载 PDF 文档
 doc.loadFromFile("C:UsersTest1DesktopSample.pdf");
        // 创立 StringBuilder 实例
 StringBuilder sb=new StringBuilder();
        PdfPageBase page;
        // 遍历 PDF 页面，获取每个页面的文本并增加到 StringBuilder 对象
 for(int i=0;i<doc.getPages().getCount();i++){page=doc.getPages().get(i);
            sb.append(page.extractText(true));
        }
        FileWriter writer;
        try {
            // 将 StringBuilder 对象中的文本写入到文本文件
 writer = new FileWriter("output/ExtractAllText.txt");
            writer.write(sb.toString());
            writer.flush();} catch (IOException e) {e.printStackTrace();
        }
        doc.close();}
}

提取成果：

示例 2 提取 PDF 指定页面的文本内容

import com.spire.pdf.*;
import java.io.BufferedWriter;
import java.io.File;
import java.io.FileWriter;
import java.io.IOException;
public class ExtractTextFromParticularPage {public static void main(String[] args) throws IOException {
        // 加载 PDF 文档
 PdfDocument pdf = new PdfDocument();
        pdf.loadFromFile("C:UsersTest1DesktopSample.pdf");
        // 创立.txt 文件，用于保留提取的文本
 String result = "output/extractTextFromAParticularPage.txt";
        File file=new File(result);
        if(!file.exists()){file.delete();
        }
        file.createNewFile();
        FileWriter fw=new FileWriter(file,true);
        BufferedWriter bw=new BufferedWriter(fw);
        // 获取第一页的文本
 PdfPageBase page = pdf.getPages().get(0);
        String text = page.extractText(true);
       //String text = page.extractText(false);
 bw.write(text);
        bw.flush();
        bw.close();
        fw.close();}
}

提取成果：

示例 3 提取 PDF 指定区域的文本内容

import com.spire.pdf.*;
import java.awt.geom.Rectangle2D;
import java.io.BufferedWriter;
import java.io.File;
import java.io.FileWriter;
import java.io.IOException;
public class ExtractTextFromSpecificArea {public static void main(String[] args) throws IOException {
        // 加载 PDF 文档
 PdfDocument pdf = new PdfDocument();
        pdf.loadFromFile("C:UsersTest1DesktopSample.pdf");
        // 创立.txt 文件，用于保留提取的文本
 File file=new File("output/ExtractTextFromASpecifiedArea.txt");
        if(!file.exists()){file.delete();
        }
        file.createNewFile();
        FileWriter fw=new FileWriter(file,true);
        BufferedWriter bw=new BufferedWriter(fw);
        // 获取第一页
 PdfPageBase page = pdf.getPages().get(0);
        // 提取第一页指定区域的文本
 String text = page.extractText(new Rectangle2D.Float(80, 20, 500, 110));
        bw.write(text);
        bw.flush();
        bw.close();
        fw.close();}
}

提取成果：