Java 提取PDF文本内容

概述

一般来说，我们无法对PDF文档格式的内容进行修改编辑，但当我们确有此需求时，可通过提取文本内容的方式来实现。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）。根据不同需求，它可以支持以下三方面的提取功能。

• 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。导入方式有两种：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中创建一个Maven项目，然后在pom.xml文件中键入以下代码，最后点击“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) {
        //创建PdfDocument实例
 PdfDocument doc=new PdfDocument();
        //加载PDF文档
 doc.loadFromFile("C:UsersTest1DesktopSample.pdf");
        //创建StringBuilder实例
 StringBuilder sb=new StringBuilder();
        PdfPageBase page;
        //遍历PDF页面，获取每个页面的文本并添加到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();
    }
}

提取效果：

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");
        //创建.txt文件，用于保存提取的文本
 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();
    }
}

提取效果：

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");
        //创建.txt文件，用于保存提取的文本
 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();
    }
}

提取效果：