Java文件操作系列[1]——PDFBox实现分页提取PDF文本

需求：用java分页提取PDF文本。

PDFBox是一个很好的可以满足上述需求的开源工具。

1.PDF文档结构

要解析PDF文本，我们首先要了解PDF文件的结构。

关于PDF文档，最重要的几点：

一，PDF文档内容比较复杂，比如有纯文本（可以提取出其中的文字，可以用PDF软件中的“复制”功能）、图片（无法使用PDF软件中的“复制”功能）、表单、视频、音频等，总之形式比较复杂；

二，PDF文件采用二进制流与纯文字混合的编码模式，并且没有采用 Unicode 等标准字符编码方式，其字符编码采用 Adobe 公司内建的编码表（ CMap），这使得对 PDF 的处理更加困难；

三，PDF有自己的文件结构：文件头，对象集合，交叉引用表，结尾（准确地说，这是PDF文档的物理结构，还有逻辑结构，详情可以点击查看这篇博文）。

2.PDFBox是个什么玩意

• 授权协议： Apache
• 开发语言： Java
• 操作系统： 跨平台
• 官网：http://pdfbox.apache.org/

3.PDFBox能干啥

• 从PDF提取文本
• 合并PDF文档
• PDF 文档加密与解密
• 与Lucene搜索引擎的集成
• 填充PDF/XFDF表单数据
• 从文本文件创建PDF文档
• 从PDF页面创建图片
• 打印PDF文档

4.准备工作

再次声明，本demo功能是提取PDF文本（中文文本验证也通过）。

1) 下载好jar包（3个）：

a.fontbox-2.0.0-RC2.jar

b.pdfbox-2.0.0-RC2.jar

c.pdfbox-app-2.0.0-RC2.jar

下载地址1：我的下载

下载地址2：官网下载

2) myeclipse或eclipse。

5.开始编程

新建一个项目，写入下面的源码：

 package com.primeton.pdfbox;

 import java.io.File;
 import java.io.FileOutputStream;
 import java.io.OutputStreamWriter;
 import java.io.Writer;

 import org.apache.pdfbox.pdmodel.PDDocument;
 import org.apache.pdfbox.text.PDFTextStripper;

 /**
  * PDFBox解析PDF文本实现
  * @author MrChen
  *
  */

 public class PDFReader {
     /**
       * @param args
       */
      public static void main(String[] args) {
       // TODO Auto-generated method stub
       PDFReader pdfReader = new PDFReader();
       System.out.println("E:\\AndroidStudio.pdf");
       try {
            // 取得E盘下的SpringGuide.pdf的内容
            System.out.println("开始提取");
            File file = new File("E:\\AndroidStudio.pdf");
            System.out.println("文件绝对路径为："+file.getAbsolutePath());
            pdfReader.readFdf(file);
            System.out.println("提取结束");
       } catch (Exception e) {
            e.printStackTrace();
       }
      }

      public void readFdf(File pdfFile) throws Exception {
           // 是否排序
           boolean sort = false;
           // 输入文本文件名称
           String textFileName = 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 = 3;
           // 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;

           File outputFile = null;
           try {

                // 从本地装载文件
                //注意参数已不是以前版本中的URL.而是File。
                 System.out.println("开始装载文件"+pdfFile.getName());
                 document = PDDocument.load(pdfFile);
                 if (pdfFile.getName().length() > 4) {
                     textFileName = pdfFile.getName().substring(0, pdfFile.getName().length() - 4) + ".txt";
                     outputFile = new File(pdfFile.getParent(),textFileName);
                     System.out.println("新文件绝对路径为："+outputFile.getAbsolutePath());

                 }
                 System.out.println("装载文件结束");

                System.out.println("开始写到txt文件中");
                // 文件输入流，写入文件倒textFile
                output = new OutputStreamWriter(new FileOutputStream(outputFile),encoding);
                System.out.println("写入txt文件结束");
                // 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
                System.out.println("开始调用writeText方法");
                stripper.writeText(document, output);
                System.out.println("调用writeText方法结束");
           }catch (Exception e) {
                e.printStackTrace();
           }finally {
               if (output != null) {
                     // 关闭输出流
                     output.close();
                }
                if (document != null) {
                 // 关闭PDF Document
                 document.close();
                }
           }
      }
 }

解析PDF文本

有很多打桩的语句，可以自行去除。

同时，本程序也可以提取中文信息。

6.遇到的问题及解决方案

1)一开始使用的并不是PDFBox2.0版本，而是1.8版（2.0版本还是实验版本，故选用了早期的1.8版本）。但选择1.8版本，使用PDDocument.load(String)方法时，老是出现这个异常——“java.io.IOException: Push back buffer is full”。

解决方案：上述问题困扰了笔者很久。笔者为此重新复习了IO和NIO的一些知识，并查阅了PDFBox英文API文档（1.8版本），均无解决思路。后大量查阅资料得知，这可能是1.8版本出现的bug，2.0版本修复了此bug。笔者将jar包改为2.0版本，果然就好了。需要提醒的是，2.0版本PDDocument.load()方法参数为File类型，不再是String类型。可以参阅官方API文档。