java读取pdf总结

第三方软件

1、pdfbox

PDFBox 0.7.3。PDFBox是一个开源的对pdf文件进行操作的库。 PDFBox-0.7.3.jar加入classpath。同时FontBox1.0.jar加入classpath，否则报错:

Exception in thread "main" java.lang.NoClassDefFoundError: org/fontbox/afm/FontMetric

Caused by: java.lang.ClassNotFoundException: org.fontbox.afm.FontMetric

代码1

 import java.io.FileInputStream;
 import java.io.FileNotFoundException;
 import java.io.IOException;  

 import org.pdfbox.pdfparser.PDFParser;
 import org.pdfbox.pdmodel.PDDocument;
 import org.pdfbox.util.PDFTextStripper;  

 public class PdfReader {
     /**
      * simply reader all the text from a pdf file.
      * You have to deal with the format of the output text by yourself.
      * 2008-2-25
      * @param pdfFilePath file path
      * @return all text in the pdf file
      */
     public static String getTextFromPDF(String pdfFilePath)
     {
         String result = null;
         FileInputStream is = null;
         PDDocument document = null;
         try {
             is = new FileInputStream(pdfFilePath);
             PDFParser parser = new PDFParser(is);
             parser.parse();
             document = parser.getPDDocument();
             PDFTextStripper stripper = new PDFTextStripper();
             result = stripper.getText(document);
         } catch (FileNotFoundException e) {
             // TODO Auto-generated catch block
             e.printStackTrace();
         } catch (IOException e) {
             // TODO Auto-generated catch block
             e.printStackTrace();
         } finally {
             if (is != null) {
                 try {
                     is.close();
                 } catch (IOException e) {
                     // TODO Auto-generated catch block
                     e.printStackTrace();
                 }
             }
             if (document != null) {
                 try {
                     document.close();
                 } catch (IOException e) {
                     // TODO Auto-generated catch block
                     e.printStackTrace();
                 }
             }
         }
         return result;
     }
     public  static void main(String[] args)
     {
         String str=PdfReader.getTextFromPDF("C:\\Read.pdf");
         System.out.println(str);  

     }
 }  

参考: http://daning.iteye.com/blog/165284

代码2

 import java.io.File;
 import java.io.FileOutputStream;
 import java.io.OutputStreamWriter;
 import java.io.Writer;
 import java.net.MalformedURLException;
 import java.net.URL;
 import org.pdfbox.pdmodel.PDDocument;
 import org.pdfbox.util.PDFTextStripper;
 public class PDFReader {
  public void readFdf(String file) throws Exception {
   // 是否排序
   boolean sort = false;
   // pdf文件名
   String pdfFile = file;
   // 输入文本文件名称
   String textFile = null;
   // 编码方式
   String encoding = "UTF-8";
   // 开始提取页数
   int startPage = 1;
   // 结束提取页数
   int endPage = Integer.MAX_VALUE;
   // 文件输入流，生成文本文件
   Writer output = null;
   // 内存中存储的PDF Document
   PDDocument document = null;
   try {
    try {
     // 首先当作一个URL来装载文件，如果得到异常再从本地文件系统//去装载文件
     URL url = new URL(pdfFile);
    //注意参数已不是以前版本中的URL.而是File。
     document = PDDocument.load(pdfFile);
     // 获取PDF的文件名
     String fileName = url.getFile();
     // 以原来PDF的名称来命名新产生的txt文件
     if (fileName.length() > 4) {
      File outputFile = new File(fileName.substring(0, fileName
        .length() - 4)
        + ".txt");
      textFile = outputFile.getName();
     }
    } catch (MalformedURLException e) {
     // 如果作为URL装载得到异常则从文件系统装载
    //注意参数已不是以前版本中的URL.而是File。
     document = PDDocument.load(pdfFile);
     if (pdfFile.length() > 4) {
      textFile = pdfFile.substring(0, pdfFile.length() - 4)
        + ".txt";
     }
    }
    // 文件输入流，写入文件倒textFile
    output = new OutputStreamWriter(new FileOutputStream(textFile),
      encoding);
    // PDFTextStripper来提取文本
    PDFTextStripper stripper = null;
    stripper = new PDFTextStripper();
    // 设置是否排序
    stripper.setSortByPosition(sort);
    // 设置起始页
    stripper.setStartPage(startPage);
    // 设置结束页
    stripper.setEndPage(endPage);
    // 调用PDFTextStripper的writeText提取并输出文本
    stripper.writeText(document, output);
   } finally {
    if (output != null) {
     // 关闭输出流
     output.close();
    }
    if (document != null) {
     // 关闭PDF Document
     document.close();
    }
   }
  }
  /**
   * @param args
   */
  public static void main(String[] args) {
   // TODO Auto-generated method stub
      PDFReader pdfReader = new PDFReader();
   try {
    // 取得E盘下的SpringGuide.pdf的内容
    pdfReader.readFdf("C:\\Read.pdf");
   } catch (Exception e) {
    e.printStackTrace();
   }
  }
 } 

参考：http://blog.csdn.net/weijie_search/article/details/2662189

2、抽取支持中文的pdf文件－xpdf
xpdf是一个开源项目，我们可以调用他的本地方法来实现抽取中文pdf文件。
下载xpdf函数包：
http://www.java-cn.com/technology/tech_downs/1880_004.zip
同时需要下载支持中文的补丁包：
http://www.java-cn.com/technology/tech_downs/1880_005.zip
按照readme放好中文的patch，就可以开始写调用本地方法的java程序了
下面是一个如何调用的例子：

 import java.io.*;
 /**
 * <p>Title: pdf extraction</p>
 * <p>Description: email:chris@matrix.org.cn</p>
 * <p>Copyright: Matrix Copyright (c) 2003</p>
 * <p>Company: Matrix.org.cn</p>
 * @author chris
 * @version 1.0,who use this example pls remain the declare
 */  

 public class PdfWin {
 public PdfWin() {
 }
 public static void main(String args[]) throws Exception
 {
 String PATH_TO_XPDF="C:Program Filesxpdfpdftotext.exe";
 String filename="c:a.pdf";
 String[] cmd = new String[] { PATH_TO_XPDF, "-enc", "UTF-8", "-q", filename, "-"};
 Process p = Runtime.getRuntime().exec(cmd);
 BufferedInputStream bis = new BufferedInputStream(p.getInputStream());
 InputStreamReader reader = new InputStreamReader(bis, "UTF-8");
 StringWriter out = new StringWriter();
 char [] buf = new char[10000];
 int len;
 while((len = reader.read(buf))>= 0) {
 //out.write(buf, 0, len);
 System.out.println("the length is"+len);
 }
 reader.close();
 String ts=new String(buf);
 System.out.println("the str is"+ts);
 }
 }  

参考:http://blog.csdn.net/lyd518/article/details/2318224

3、iText

iText作为在Java中处理PDF文档的工具被广泛使用，各种开源项目中都比较常见。现在就使用iText提供的API将PDF文档中的文本信息导出为纯文本，虽然现在很多工具中都已经支持这样的操作，这是第一步也算是读取PDF文件最常见的需求。

首先下载iText包，地址为http://sourceforge.net/projects/itext/，最新版本为5.1.2，完整包名为iText-5.1.2.zip，解压后将得到一组jar包，我们要使用的是里面的itextpdf-5.1.2.jar。在本地配置好Java编译和运行环境后，编写如下示例代码：

 import java.io.IOException;  

 import com.itextpdf.text.pdf.PdfReader;
 import com.itextpdf.text.pdf.parser.PdfReaderContentParser;
 import com.itextpdf.text.pdf.parser.SimpleTextExtractionStrategy;
 import com.itextpdf.text.pdf.parser.TextExtractionStrategy;  

 public class PDFReader {  

  /**
   * @param args
   * @throws IOException
   */
  public static void main(String[] args) throws IOException {
   System.out.print(getPdfFileText("E:\\test\\plugindoc.pdf"));
  }  

  public static String getPdfFileText(String fileName) throws IOException {
   PdfReader reader = new PdfReader(fileName);
   PdfReaderContentParser parser = new PdfReaderContentParser(reader);
   StringBuffer buff = new StringBuffer();
   TextExtractionStrategy strategy;
   for (int i = 1; i <= reader.getNumberOfPages(); i++) {
    strategy = parser.processContent(i,
      new SimpleTextExtractionStrategy());
    buff.append(strategy.getResultantText());
   }
   return buff.toString();
  }  

 } 

参考:http://blog.csdn.net/mscf/article/details/6957061

1,2都不能读出目标pdf，其它pdf可以

3.1能够读出目标pdf，但是按页读取的，没法按行读取

代码2 按行读取

仿照iTextsharp

 package com.iText.read.pdf;  

 import java.io.IOException;
 import java.util.Arrays;  

 import com.itextpdf.text.pdf.PdfReader;  

 public class PdfIO {  

       ///<summary>
     ///读取单个或多个pdf
     ///</summary>
     ///<returns>文件内容字符串</returns>
     @SuppressWarnings("null")
     public static String readPdf(String fileName) throws IOException
     {  

             PdfReader p = new PdfReader(fileName);
             //从每一页读出的字符串
             String str = null;
             //"[......]"内部字符串
             String subStr =null;
             //函数返回的字符串
             StringBuffer rtBuf=new  StringBuffer();  

             String rtStr=null;  

             //"[","]","(",")"在字符串中的位置
             int bg = 0, ed = 0, subbg = 0, subed = 0;  

             //":"前面的字符串
             String fc =null;  

             //":"前面的字符串
             String bc =null;  

             //取得文档总页数
             int pg = p.getNumberOfPages();  

             // ExcelIO ei = new ExcelIO();
             for (int i = 1; i <= 1; i++)
             {  

                 bg = 0;
                 ed = 0;  

                //Arrays.fill(b, 0);  

               //从每一页读出的8位字节数组
                 byte[] b = new byte[0];
                 //取得第i页的内容
                 b = p.getPageContent(i);  

                 //下一行是把每一页的取得的字节数据写入一个txt的文件,仅供研究时用
                 //System.IO.File.WriteAllBytes(Application.StartupPath + "//P" + i.ToString() + ".txt", b);  

                 StringBuilder sb = new StringBuilder();  

                 //取得每一页的字节数组,将每一个字节转换为字符,并将数组转换为字符串
                 for (int j = 0; j < b.length; j++) sb.append((char)(b[j]));
                 str = sb.toString();  

                 //return str;  

                if (str.indexOf("[") >= 0)
                 {  

                     //循环寻找"["和"]",直到找不到"["为止
                     while (bg > -1)
                     {
                         //取得下一个"["和"]"的位置
                         bg = str.indexOf("[", ed);
                         ed = str.indexOf("]", bg + 1);  

                         //如果没有下一个"["就跳出循环
                         if (bg == -1) break;  

                         //取得一个"[]"里的内容,将开始寻找"("和")"的位置初始为0
                         subStr = str.substring(bg + 1, ed - bg - 1);
                         subbg = 0;
                         subed = 0;  

                         //循环寻找下一个"("和")",直到没有下一个"("就跳出循环
                         while (subbg > -1)
                         {
                             //取得下一对"()"的位置
                             subbg = subStr.indexOf("(", subed);
                             subed = subStr.indexOf(")", subbg + 1);  

                             //如找不到下一对就跳出
                             if (subbg == -1) break;
                             //在返回字符串后面加上新找到的字符串
                             rtStr = subStr.substring(subbg + 1, subed - subbg - 1);  

                         }
                         rtStr+= rtStr + "|";
                     }
                     return rtStr;
                 }
                 else
                 {
                     //每页的行数
                     int lineNumber = 0;
                     while (bg > -1)
                     {
                         //取得下一个"("和")"的位置
                         bg = str.indexOf("(", ed);
                         ed = str.indexOf(")", bg + 1);
                         //如果没有下一个"["就跳出循环
                         if (bg == -1) break;
                         //每行加个'|'为以后分隔准备,为什么不用"/n/r",因为不需要换行功能
                         //rtStr += str.substring(bg + 1, ed-1) + "|";  

                         String rtStrTemp = str.substring(bg + 1, ed-1);  

                         rtBuf.append(rtStrTemp);
                         rtBuf.append("|");  

                     }
                     rtStr=rtBuf.toString();  

                 }  

             }
             if (p != null)
             {
                 p.close();
             }  

             return rtStr;   

     }  

 }