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：
1 package com.primeton.pdfbox; 2 3 import java.io.File; 4 import java.io.FileOutputStream; 5 import java.io.OutputStreamWriter; 6 import java.io.Writer; 7 8 import org.apache.pdfbox.pdmodel.PDDocument; 9 import org.apache.pdfbox.text.PDFTextStripper; 10 11 12 /** 13 * PDFBox解析PDF文本实现 14 * @author MrChen 15 * 16 */ 17 18 public class PDFReader { 19 /** 20 * @param args 21 */ 22 public static void main(String[] args) { 23 // TODO Auto-generated method stub 24 PDFReader pdfReader = new PDFReader(); 25 System.out.println("E:\\AndroidStudio.pdf"); 26 try { 27 // 取得E盘下的SpringGuide.pdf的内容 28 System.out.println("开始提取"); 29 File file = new File("E:\\AndroidStudio.pdf"); 30 System.out.println("文件绝对路径为："+file.getAbsolutePath()); 31 pdfReader.readFdf(file); 32 System.out.println("提取结束"); 33 } catch (Exception e) { 34 e.printStackTrace(); 35 } 36 } 37 38 public void readFdf(File pdfFile) throws Exception { 39 // 是否排序 40 boolean sort = false; 41 // 输入文本文件名称 42 String textFileName = null; 43 // 编码方式 44 String encoding = "UTF-8"; 45 // 开始提取页数 46 int startPage = 1; 47 // 结束提取页数 48 int endPage = 3; 49 // 文件输入流，生成文本文件 50 Writer output = null; 51 // 内存中存储的PDF Document 52 PDDocument document = null; 53 54 File outputFile = null; 55 try { 56 57 // 从本地装载文件 58 //注意参数已不是以前版本中的URL.而是File。 59 System.out.println("开始装载文件"+pdfFile.getName()); 60 document = PDDocument.load(pdfFile); 61 if (pdfFile.getName().length() > 4) { 62 textFileName = pdfFile.getName().substring(0, pdfFile.getName().length() - 4) + ".txt"; 63 outputFile = new File(pdfFile.getParent(),textFileName); 64 System.out.println("新文件绝对路径为："+outputFile.getAbsolutePath()); 65 66 67 } 68 System.out.println("装载文件结束"); 69 70 71 System.out.println("开始写到txt文件中"); 72 // 文件输入流，写入文件倒textFile 73 output = new OutputStreamWriter(new FileOutputStream(outputFile),encoding); 74 System.out.println("写入txt文件结束"); 75 // PDFTextStripper来提取文本 76 PDFTextStripper stripper = null; 77 stripper = new PDFTextStripper(); 78 // 设置是否排序 79 stripper.setSortByPosition(sort); 80 // 设置起始页 81 stripper.setStartPage(startPage); 82 // 设置结束页 83 stripper.setEndPage(endPage); 84 // 调用PDFTextStripper的writeText提取并输出文本 85 System.out.println("开始调用writeText方法"); 86 stripper.writeText(document, output); 87 System.out.println("调用writeText方法结束"); 88 }catch (Exception e) { 89 e.printStackTrace(); 90 }finally { 91 if (output != null) { 92 // 关闭输出流 93 output.close(); 94 } 95 if (document != null) { 96 // 关闭PDF Document 97 document.close(); 98 } 99 } 100 } 101 }
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。