pdf轉圖片、提取pdf文本、提取pdf圖片

/**
      * 使用pdfbox提取pdf文檔的文字和圖片內容
      * pdfbox官網：https://pdfbox.apache.org/
      * maven依賴如下：
      * <dependency>
      * <groupId>org.apache.pdfbox</groupId>
      * <artifactId>fontbox</artifactId>
      * <version>2.0.1</version>
      * </dependency>
      * <dependency>
      * <groupId>org.apache.pdfbox</groupId>
      * <artifactId>pdfbox</artifactId>
      * <version>2.0.1</version>
      * </dependency>
      * <dependency>
      * <groupId>com.itextpdf</groupId>
      * <artifactId>itextpdf</artifactId>
      * <version>5.5.13</version>
      * </dependency>
      * <dependency>
      * <groupId>net.coobird</groupId>
      * <artifactId>thumbnailator</artifactId>
      * <version>0.4.8</version>
      * </dependency>
      */
      public class PdfTest {
      public static final String DATE_FORMAT = "yyyy-MM-dd HH:mm:ss";
      
      /**
      *
      *
      * @param pdfFilePath
      * @throws Exception
      */
      public static void extractText(String pdfFilePath) throws Exception{
      try (PDDocument document = PDDocument.load(new File(pdfFilePath)))
      {
      AccessPermission ap = document.getCurrentAccessPermission();
      if (!ap.canExtractContent())
      {
      throw new IOException("You do not have permission to extract text");
      }
      PDFTextStripper stripper = new PDFTextStripper();
      stripper.setSortByPosition(true);
      
      for (int p = 1; p <= document.getNumberOfPages(); ++p)
      {
      // 這里分為一頁一頁的提取，如果不設置，默認會把所有頁的內容一次性提取出來，根據需要選擇
      stripper.setStartPage(p);
      stripper.setEndPage(p);
      
      //提取內容就這一行代碼
      //提取內容很徹底，包括了頁眉頁腳的內容也都會被提出來
      String text = stripper.getText(document);
      
      String pageStr = String.format("page %d:", p);
      System.out.println(pageStr);
      //為了打印出來更美觀
      for (int i = 0; i < pageStr.length(); ++i)
      {
      System.out.print("-");
      }
      System.out.println();
      System.out.println(text.trim());
      System.out.println();
      }
      }
      }
      
      public static void pdfParse(String pdfPath) throws Exception {
      InputStream input = null;
      PDDocument document = null;
      try {
      document = PDDocument.load(new File(pdfPath));
      
      /** 文檔屬性信息 **/
      PDDocumentInformation info = document.getDocumentInformation();
      System.out.println("標題:" + info.getTitle());
      System.out.println("主題:" + info.getSubject());
      System.out.println("作者:" + info.getAuthor());
      System.out.println("關鍵字:" + info.getKeywords());
      
      System.out.println("應用程序:" + info.getCreator());
      System.out.println("pdf 制作程序:" + info.getProducer());
      
      System.out.println("作者:" + info.getTrapped());
      
      System.out.println("創建時間:" + dateFormat(info.getCreationDate()));
      System.out.println("修改時間:" + dateFormat(info.getModificationDate()));
      
      
      //獲取內容信息
      PDFTextStripper pts = new PDFTextStripper();
      String content = pts.getText(document);
      System.out.println("內容:" + content);
      
      /** 文檔頁面信息 **/
      PDDocumentCatalog cata = document.getDocumentCatalog();
      int count = 1;
      for (int i = 0; i < document.getNumberOfPages(); i++) {
      PDPage page = document.getPage(i);
      if (null != page) {
      //獲取到所有rescourse信息
      PDResources res = page.getResources();
      Iterable<COSName> xit = res.getXObjectNames();
      Iterator<COSName> iterator = xit.iterator();
      while (iterator.hasNext()){
      COSName cosName = iterator.next();
      System.out.println(cosName.getName());
      //判斷是否圖片資源，這個提取圖片也很徹底，包括頁眉頁腳的圖片也會被獲取到
      if(res.isImageXObject(cosName)){
      PDImageXObject pdImageXObject = (PDImageXObject)res.getXObject(cosName);
      //這里保存圖片我用了谷歌的thumbnailator框架，也可以用自己的方法去保存BufferedImage對象到本地圖片
      Thumbnails.of(pdImageXObject.getImage()).scale(0.9).toFile(new File("D:\\pdf\\"+System.currentTimeMillis()+".jpg"));
      }
      }
      }
      }
      } catch (Exception e) {
      throw e;
      } finally {
      if (null != input)
      input.close();
      if (null != document)
      document.close();
      }
      }
      
      /***
      * PDF文件轉PNG圖片，全部頁數
      *
      * @param PdfFilePath pdf完整路徑
      * @param dpi dpi越大轉換后越清晰，相對轉換速度越慢
      * @return
      */
      private static boolean pdf2Image(String PdfFilePath, String dstImgFolder, int dpi) {
      File file = new File(PdfFilePath);
      PDDocument pdDocument;
      try {
      String imgPDFPath = file.getParent();
      int dot = file.getName().lastIndexOf('.');
      String imagePDFName = file.getName().substring(0, dot); // 獲取圖片文件名
      String imgFolderPath = null;
      if (dstImgFolder.equals("")) {
      imgFolderPath = imgPDFPath + File.separator + imagePDFName;// 獲取圖片存放的文件夾路徑
      } else {
      imgFolderPath = dstImgFolder + File.separator + imagePDFName;
      }
      
      if (createDirectory(imgFolderPath)) {
      
      pdDocument = PDDocument.load(file);
      PDFRenderer renderer = new PDFRenderer(pdDocument);
      /* dpi越大轉換后越清晰，相對轉換速度越慢 */
      PdfReader reader = new PdfReader(PdfFilePath);
      int pages = reader.getNumberOfPages();
      StringBuffer imgFilePath = null;
      for (int i = 0; i < pages; i++) {
      String imgFilePathPrefix = imgFolderPath + File.separator + imagePDFName;
      imgFilePath = new StringBuffer();
      imgFilePath.append(imgFilePathPrefix);
      imgFilePath.append("_");
      imgFilePath.append(String.valueOf(formatNumber(i+1)));
      imgFilePath.append(".jpg");
      File dstFile = new File(imgFilePath.toString());
      BufferedImage image = renderer.renderImageWithDPI(i, dpi);
      
      
      ImageWriter writer = ImageIO.getImageWritersByFormatName("jpg").next();
      writer.setOutput(ImageIO.createImageOutputStream(dstFile));
      ImageWriteParam param = writer.getDefaultWriteParam();
      param.setCompressionMode(ImageWriteParam.MODE_EXPLICIT);
      param.setCompressionQuality(0.3f);
      writer.write(null, new IIOImage(image, null, null), param);
      
      // ImageIO.write(image, "jpg", dstFile);
      }
      System.out.println("PDF文檔轉圖片成功！"+dstImgFolder);
      return true;
      } else {
      System.out.println("PDF文檔轉圖片失敗：" + "創建" + imgFolderPath + "失敗");
      }
      
      } catch (IOException e) {
      e.printStackTrace();
      }
      return false;
      }
      
      private static String formatNumber(int i){
      if(i<10){
      return "00"+i;
      }else if(i<100){
      return "0"+i;
      }else{
      return i+"";
      }
      }
      
      private static boolean createDirectory(String folder) {
      File dir = new File(folder);
      if (dir.exists()) {
      return true;
      } else {
      return dir.mkdirs();
      }
      }
      
      public static String dateFormat(Calendar calendar) throws Exception {
      if (null == calendar)
      return null;
      String date = null;
      try {
      String pattern = DATE_FORMAT;
      SimpleDateFormat format = new SimpleDateFormat(pattern);
      date = format.format(calendar.getTime());
      } catch (Exception e) {
      throw e;
      }
      return date == null ? "" : date;
      }
      
      }