apache pdfbox
转 http://www.blogjava.net/sxyx2008/archive/2010/07/23/326890.html
使用PDFBox处理PDF文档http://www.cnblogs.com/hejycpu/archive/2009/01/19/1378380.html
1、使用PDFBox处理PDF文档
PDF全称Portable Document Format,是Adobe公司开发的电子文件格式。这种文件格式与操作系统平台无关,可以在Windows、Unix或Mac OS等操作系统上通用。
PDF文件格式将文字、字型、格式、颜色及独立于设备和分辨率的图形图像等封装在一个文件中。如果要抽取其中的文本信息,需要根据它的文件格式来进行解析。幸好目前已经有不少工具能帮助我们做这些事情。
2、PDFBox的下载
最常见的一种PDF文本抽取工具就是PDFBox了,访问网址http://sourceforge.net/projects/pdfbox/,进入如图7-1所示的下载界面。读者可以在该网页下载其最新的版本。本书采用的是PDFBox-0.7.3版本。PDFBox是一个开源的Java PDF库,这个库允许你访问PDF文件的各项信息。在接下来的例子中,将演示如何使用PDFBox提供的API,从一个PDF文件中提取出文本信息。
3、在Eclipse中配置
以下是在Eclipse中创建工程,并建立解析PDF文件的工具类的过程。
(1)在Eclipse的workspace中创建一个普通的Java工程:ch7。
(2)把下载的PDFBox-0.7.3.zip解压。
(3)进入external目录下,可以看到,这里包括了PDFBox所有用到的外部包。复制下面的Jar包到工程ch7的lib目录下(如还未建立lib目录,则先创建一个)。
l bcmail-jdk14-132.jar
l bcprov-jdk14-132.jar
l checkstyle-all-4.2.jar
l FontBox-0.1.0-dev.jar
l lucene-core-2.0.0.jar
然后再从PDFBox的lib目录下,复制PDFBox-0.7.3.jar到工程的lib目录下。
(4)在工程上单击右键,在弹出的快捷菜单中选择“Build Path->Config Build Path->Add Jars”命令,把工程lib目录下面的包都加入工程的Build Path。
4、使用PDFBox解析PDF内容
在刚刚创建的Eclipse工程中,创建一个ch7.pdfbox包,并创建一个PdfboxTest类。该类包含一个getText方法,用于从一个PDF中获取文本信息,其代码如下。
import java.io.BufferedWriter; import java.io.FileInputStream; import java.io.FileWriter;
import org.pdfbox.pdfparser.PDFParser; import org.pdfbox.util.PDFTextStripper;
public class PdfParser {
/** * @param args */ // TODO 自动生成方法存根
public static void main(String[] args) throws Exception{ FileInputStream fis = new FileInputStream("F:\\task\\lerman-atem2001.pdf"); BufferedWriter writer = new BufferedWriter(new FileWriter("F:\\task\\pdf_change.txt")); PDFParser p = new PDFParser(fis); p.parse(); PDFTextStripper ts = new PDFTextStripper(); String s = ts.getText(p.getPDDocument()); writer.write(s); System.out.println(s); fis.close(); writer.close(); } }
下面是自己按照书上的例子写的代码。
1package TestPDF.pdfbox; 2 3import java.io.File; 4import java.io.FileOutputStream; 5import java.io.IOException; 6import java.io.OutputStreamWriter; 7import java.io.Writer; 8import java.net.URL; 9 10import org.apache.lucene.analysis.standard.StandardAnalyzer; 11import org.apache.lucene.document.Document; 12import org.apache.lucene.index.IndexWriter; 13import org.apache.lucene.index.Term; 14import org.apache.lucene.search.IndexSearcher; 15import org.apache.lucene.search.PhraseQuery; 16import org.apache.lucene.search.Query; 17import org.apache.lucene.search.ScoreDoc; 18import org.apache.lucene.search.TermQuery; 19import org.apache.lucene.search.TopDocCollector; 20import org.apache.lucene.search.TopDocs; 21import org.pdfbox.pdmodel.PDDocument; 22import org.pdfbox.searchengine.lucene.LucenePDFDocument; 23import org.pdfbox.util.PDFTextStripper; 24 25public class Test { 26 27 public void getText(String file) throws Exception{ 28 //是否排序 29 boolean sort = false; 30 //pdf文件名 31 String pdfFile = file; 32 //输入文本文件名称 33 String textFile = null; 34 //编码方式 35 String encoding = "UTF-8"; 36 //开始提取页数 37 int startPage = 1; 38 //结束提取页数 39 int endPage = Integer.MAX_VALUE; 40 //文件输入流,输入文本文件 41 Writer output = null; 42 //内存中存储的PDF Document 43 PDDocument document = null; 44 45 try{ 46 try{ 47 //首先当作一个URL来加载文件,如果得到异常再从本地系统装载文件 48 URL url = new URL(pdfFile); 49 document = PDDocument.load(url); 50 String fileName = url.getFile(); 51 52 if(fileName.length() > 4){ 53 //以原来pdf名称来命名新产生的txt文件 54 File outputFile = new File(fileName.substring(0, fileName.length()-4) + ".txt"); 55 textFile = outputFile.getName(); 56 } 57 }catch(Exception e){ 58 //如果作为URL装载得到异常则从文件系统装载 59 document = PDDocument.load(pdfFile); 60 if(pdfFile.length() > 4){ 61 textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt"; 62 } 63 } 64 //文件输出流,写入文件到textFile 65 output = new OutputStreamWriter(new FileOutputStream(textFile),encoding); 66 //PDFTextStripper来提取文本 67 PDFTextStripper stripper = new PDFTextStripper(); 68 //设置是否排序 69 stripper.setSortByPosition(sort); 70 //设置起始页 71 stripper.setStartPage(startPage); 72 //设置结束页 73 stripper.setEndPage(endPage); 74 //调用PDFTextStripper的writeText提取并输出文本 75 stripper.writeText(document, output); 76 }finally{ 77 if(output != null){ 78 output.close(); 79 } 80 if(document != null){ 81 document.close(); 82 } 83 } 84 } 85 86 /** *//** 87 * test Lucene with pdfbox 88 * @throws IOException 89 */ 90 public void LuceneTest() throws IOException{ 91 92 String path = "D:\\index"; 93 String pdfpath = "D:\\index\\Lucene.Net基本用法.pdf"; 94 95 IndexWriter writer = new IndexWriter(path, new StandardAnalyzer(),true); 96 //writer.setMaxFieldLength(10240); 97 //LucenePDFDocument返回由PDF产生的Lucene Document 98 Document d = LucenePDFDocument.getDocument(new File(pdfpath)); 99 //System.out.println(d); 100 //写入索引 101 writer.addDocument(d); 102 writer.close(); 103 104 //读取d:\index下的索引文件,建立IndexSearcher 105 IndexSearcher searcher = new IndexSearcher(path); 106 //对索引的contents Field进行关键字Query的查找 107 Term t = new Term("contents","优"); 108 Term m = new Term("contents","化"); 109 PhraseQuery q = new PhraseQuery(); 110 q.add(t); 111 q.add(m); 112 //Query q = new TermQuery(t); 113 TopDocCollector co = new TopDocCollector(10); 114 searcher.search(q,co); 115 116 Document document; 117 TopDocs docs = co.topDocs(); 118 ScoreDoc[] doc = docs.scoreDocs; 119 //System.out.println(doc.length); 120 121 for(int i=0;i<doc.length;i++){ 122 System.out.println("文档编号:" + doc[i].doc); 123 //document = searcher.doc(doc[i].doc); 124 } 125 } 126 /** *//** 127 * @param args 128 */ 129 public static void main(String[] args) { 130 // TODO Auto-generated method stub 131 Test test = new Test(); 132 try{ 133 //test.getText("D:\\index\\Lucene.Net基本用法.pdf"); 134 test.LuceneTest(); 135 }catch(Exception e){ 136 e.printStackTrace(); 137 } 138 } 139} 140
apache pdfbox的更多相关文章
- APache PDFbox API使用(1)----简单介绍
因为项目的须要.近期在学习APache PDFbox API,Apache PDFbox API是Apache Java 开源社区中个一个项目,其受Apache 版权 V2的保护,其提供了以下的功能 ...
- 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 ...
- 1.6.3 Uploading Data with Solr Cell using Apache Tika
1. Uploading Data with Solr Cell using Apache Tika solr使用Apache Tika工程的代码提供了一个框架,用于合并所有不同格式的文件解析器为so ...
- 使用pdfbox分页保存pdf为图片
一.背景 pdfbox作为Apache开源的PDF操作工具,允许创建新的PDF文档,操作现有文档,以及从文档中提取内容的能力.Apache PDFBox还包括一些命令行实用工具.本文楼主主要介绍其中的 ...
- PDFBox 打印带背景的文件速度慢
打印慢的原因 java的RasterPrinterJob会执行很多次printPage方法 他应该是按块填充的, 如果页面元素非常复杂, 那么printPage方法可能会执行十几次. 而如果你用了如下 ...
- Java 使用PDFBox提取PDF文件中的图片
今天做PDF文件解析,遇到一个需求:提取文件中的图片并保存.使用的是流行的apache开源jar包pdfbox, 但还是遇到坑了,比如pdfbox版本太高或太低都不能用!!这个包竟然没有很好地做好兼容 ...
- Working with PDF files in C# using PdfBox and IKVM
I have found two primary libraries for programmatically manipulating PDF files; PdfBox and iText. T ...
- Apache 项目列表功能分类便于技术选型
big-data (49): Apache Accumulo Apache Airavata Apache Ambari Apache Apex Apache Avro Apache Be ...
- java 用PDFBox 删除 PDF文件中的某一页
依赖: <dependency> <groupId>org.apache.pdfbox</groupId> <artifactId>pdfbox-app ...
随机推荐
- jquerymobile知识点:动态Grid的绑定以及刷新
下面jquerymobile是ajax动态绑定和刷新的例子.直接上图以及代码. 下面是实例代码: //初始绑定 function GetInitBind(PageIndex, PageSize, sq ...
- 即时通讯(IM)
即时通讯(IM)功能是APP的重要功能之一,而开发好移动IM却绝非易事.通常来说,IM技术选型至少要解决以下问题:1. 协议选型 2. IM服务器选型 3. 对协议和服务器做相应修改,通常来说直接拿个 ...
- PHP汉字转拼音的两种方法+PHP提取汉字(中文)方法
方法一:依据ASCII码转换,GB2312库对多音字也无能为力. GB2312标准共收录6763个汉字,不在范围内的汉字是无法转换.如:中国前总理朱镕基的"镕"字. GB2312中 ...
- Java泛型方法定义及泛型类型推断
泛型的推断 @Test public void test3(){ //类型推断时使用两个类型的最小公倍数 int x1 = add(3,4); Number x2 = add(3.5,4); Obje ...
- PHP的无限栏目分类
自己在PHP的无线栏目分类上面就是搞了很久都没有明白,所以现在是趁着记忆力还没有完全的消退的时候速度的记录下来 这里讲解的是最简单的树形栏目,适合的是小中型的栏目分类需求 1.这里讲解的是针对是只要通 ...
- javascript创建对象(一)
对象定义:无序属性的集合,属性包含基本值.对象.函数,相当于一组没有特定顺序的值. 创建自定义对象最简单的方式就是: var movie=new Object(); movie.name=&qu ...
- ORACLE如何停止一个JOB
ORACLE如何停止一个JOB1 相关表.视图2 问题描述为同事解决一个因为网络连接情况不佳时,执行一个超长时间的SQL插入操作.既然网络状况不好,就选择了使用一次性使用JOB来完成该插入操作.在JO ...
- Css 梯形图形 并添加文字
HTML页面的代码: <body> <div style="width:500px;border:solid 1px #ccc;"> <div> ...
- java中Map的用法(HaspMap用法)
public interface Map<K,V> 将键映射到值的对象.一个映射不能包含重复的键:每个键最多只能映射到一个值. import java.util.HashMap; impo ...
- ARM开发板系统移植-----kernel的编译
前面一篇文章http://www.cnblogs.com/linzizhang/p/4817336.html介绍了开发板上系统软件的第一部分--bootloader的编译方法. 背景:把bootloa ...