转载请注明来源：http://blog.csdn.net/loongshawn/article/details/51542309
相关文章：
- 《Apache PDFbox开发指南之PDF文本内容挖掘》
- 《 Apache PDFbox开发指南之PDF文档读取》
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：
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
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
源PDF文件中包含19张图片
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。
Apache PDFbox开发指南之PDF文档读取
原文地址：http://www.cnblogs.com/exmyth/p/7840310.html