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：

• 《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); } } }

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); 

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); } 

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。