不知道你是不是听过Java提供一种工具，可以提取PDDF的内容。本文就来向你介绍这种工具，它的名字叫 Apache PDFBox。
什么是PDFBox
Apache PDFBox库是用来处理PDF文档的开源Java工具。它可帮我们做到：
1）创建新PDF文档；
2）更新现有文档；
例如添加样式，增加超链接等；
3）从PDF文档中提出内容。
从PDF阅读内容
当我们能够从PDF提取文本内容时，问题已经解决一半。下面我们举代码示例来完成此任务。
Apche PDFTextStripper的类PDFTextStripper（https://pdfbox.apache.org/docs … .html）可以将PDF中的文本以去除所有格式的形式提出出来。它将忽略所有格式和特别样式。
tStripper = new PDFTextStripper();
tStripper.setStartPage(1);
tStripper.setEndPage(3);
PDDOocument document = PDDocument.load(new File("youpdfname.pdf"));
document.getClass();
if(!document.isEncrypted()){
pdfFileInText = tStripper.getText(document);
lines = pdfFileIntext.split("//r//n//r//n");
for(String line : llines){
System.out.printlln(line);
content += line;
}
}
System.out.println(content.trim());
从PDF文件中获得所有超链接
第二件事是验证PDF中的超链接。下列代码为大家提供了PDF文档中的超链接。
PDPage类（https://pdfbox.apache.org/docs … .html）中的getAnnotations()方法提供了取得文档中的注释列表。接下来，获取文档或页面中的URI列表，使用PDActionURI（https://pdfbox.apache.org/docs … .html）
PDDocument document = PDDocument.load(new File("name.pdf"));
document.getClass();
PDPage pdfpage = document.getPage(1);
annotations = pdfpage.getAnnotations();
for (int j = 0; j < annotations.size(); j++) {
PDAnnotation annot = annotations.get(j);
if (annot instanceof PDAnnotationLink) {
PDAnnotationLink link = (PDAnnotationLink) annot;
PDAction action = link.getAction();
if (action instanceof PDActionURI) {
PDActionURI uri = (PDActionURI) action;
urls += uri.getURI();
System.out.println(uri.getURI());
}
}
}
}
从PDF文件中导出图片
除了文本与超链接外，PDFBox还提供了从文档中提取图片的功能。
PDPage类（https://pdfbox.apache.org/docs … urces()）还提供了getResource() 方法，用来取得PDF中的所有资源对象，比如图片对象的列表。
PDDocument document = PDDocument.load(new File("name.pdf"));
PDPage pdfpage = document.getPage(1);
int i = 1;
PDResources pdResources = pdfpage.getResources();
for (COSName c : pdResources.getXObjectNames()) {
PDXObject o = pdResources.getXObject(c);
if (o instanceof org.apache.pdfbox.pdmodel.graphics.image.PDImageXObject) {
File file = new File(i + ".png");
i++;
ImageIO.write(((org.apache.pdfbox.pdmodel.graphics.image.PDImageXObject) o).getImage(), "png", file);
}
}
获得PDF中超链接中的单词
从PDF中获取文本、超链接和图片的任务变得很简单。接下来，我们进一步了解如何提取超链接的单词。
如我们在第二部分中所见，对于“链接”注释以及每一个链接，可使用PDRectangle类来裁剪文本区域。
以下代码为大家提供了取得在文档中超链接中单词的列表：
PDDocument document = PDDocument.load(new File("name.pdf"));
int pageNum=0;
for( PDPage page : doc.getPages() )
{
pageNum++;
PDFTextStripperByArea stripper = new PDFTextStripperByArea();
List annotations = page.getAnnotations();
//first setup text extraction regions
for( int j=0; j
PDAnnotation annot = annotations.get(j);
if( annot instanceof PDAnnotationLink )
{
PDAnnotationLink link = (PDAnnotationLink)annot;
PDRectangle rect = link.getRectangle();
//need to reposition link rectangle to match text space
float x = rect.getLowerLeftX();
float y = rect.getUpperRightY();
float width = rect.getWidth();
float height = rect.getHeight();
int rotation = page.getRotation();
if( rotation == 0 )
{
PDRectangle pageSize = page.getMediaBox();
y = pageSize.getHeight()-y;
}
else if( rotation == 90 )
{}
Rectangle2D.Float awtRect = new Rectangle2D.Float( x,y,width,height );
stripper.addRegion( "" + j, awtRect );
}
}
stripper.extractRegions( page );
for( int j=0; j
PDAnnotation annot = annotations.get(j);
if( annot instanceof PDAnnotationLink )
{
PDAnnotationLink link = (PDAnnotationLink)annot;
PDAction action = link.getAction();
String urlText = stripper.getTextForRegion( "" + j );
if( action instanceof PDActionURI )
{
PDActionURI uri = (PDActionURI)action;
System.out.println( "Page " + pageNum +":'" + urlText.trim() + "'=" + uri.getURI() );
}
}
}
}
以上为全部。
作者：大勇
原创文章，作者：ItWorker，如若转载，请注明出处：https://blog.ytso.com/258079.html