Java pdf轉String 並修正格式

在嘗試pdf轉成String的時候，首先用python的pdfminer和pdfminer3k去嘗試轉換，然后資料看不太懂，就嘗試用了java，

以下是java的pdfbox寫的pdf轉String函數（main函數沒有貼出來，直接用的一個全局函數）  需要加入的包有

百度搜一下pdfbox去官網下載一個放在lib里就行了

 

然后比較重要的突破是能把原來生成格式比較混亂的String處理成比較能看的String

效果如下：

沒有轉換前輸出格式如下

轉換后格式：

 

 

 代碼如下：

import java.io.*;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

public static String  getText(String file) throws Exception {
        // 是否排序
        boolean sort = false;
        // PDF的本地路徑或者url
        String pdfFile = file;
        // 編碼方式
        String encoding = "UTF-8";
        // 開始提取頁數
        int startPage = 1;
        // 結束提取頁數
        int endPage = Integer.MAX_VALUE;
        // 文件輸入流，生成文本文件
        Writer output = null;
        // 內存中存儲的PDF Document
        PDDocument document = null;
        try{

            // 采用PDFTextStripper提取文本
            PDFTextStripper stripper = new PDFTextStripper();
            // 設置是否排序
            stripper.setSortByPosition(sort);
            // 設置起始頁
            stripper.setStartPage(startPage);
            // 設置結束頁
            stripper.setEndPage(endPage);
            String text = stripper.getText(document);

            //嘗試把前邊或后邊接有空白字符的換行符換成其他的文字，然后把換行符替換掉，之后再把其他文字換成換行符
　　　　　　　//原理是pdf轉成String中間有過多的回車換行符\r\n這種，但是如果換行符前后都是有文字的（不為空），則這應該是一個被pdf強行換行出來的
            text = text.replaceAll("\\r\\n\\s","Jacck");  //這里的Jacck最好換成一個更復雜的文本，作為中間替換物存在盡量在中間轉化過程中和文檔中沒有任何匹配
            text = text.replaceAll("\\s\\r\\n","Jacck");
            text = text.replaceAll("\\n|\\r","");       //處理掉被強行加上來的回車換行符
            text = text.replaceAll("Jacck","\r\n");

            return text;
//            stripper.writeText(document, output);
        }catch(Exception e){
            e.printStackTrace();
        }finally{
            if(document != null){
                document.close();
            }
        }
        return "";
    }

 

 

之后再python中使用pdfminer也實現了同樣的消除pdf大量換行問題，替換核心代碼如下,不同的是python三方包在處理pdf后換行不是\r\n而是\n

re是python中的正則表達式，transfered_str是pdf處理后的字符串，與上邊java中用的思想一樣。

transfered_str = re.sub(r'\n\s', 'Jacck', transfered_str)
transfered_str = re.sub(r'\s\n', 'Jacck', transfered_str)
transfered_str = re.sub(r'\n|\r', '', transfered_str)
transfered_str = re.sub(r'\s{4,}', '\n', transfered_str)
transfered_str = re.sub(r'Jacck','\n',transfered_str