PDF全稱Portable Document Format，是Adobe公司開發的電子文件格式。這種文件格式與操作系統平臺無關，可以在Windows、Unix或Mac OS等操作系統上通用。
PDF文件格式將文字、字型、格式、顏色及獨立於設備和分辨率的圖形圖像等封裝在一個文件中。如果要抽取其中的文本信息，需要根據它的文件格式來進行解析。幸好目前已經有不少工具能幫助我們做這些事情。
2、PDFBox的下載
最常見的一種PDF文本抽取工具就是PDFBox了，訪問網址http://sourceforge.net/projects/pdfbox/，進入如圖7-1所示的下載界面。讀者可以在該網頁下載其最新的版本。本書採用的是PDFBox-0.7.3版本。PDFBox是一個開源的Java PDF庫，這個庫允許你訪問PDF文件的各項信息。在接下來的例子中，將演示如何使用PDFBox提供的API，從一個PDF文件中提取出文本信息。
3、在Eclipse中配置
以下是在Eclipse中創建工程，並建立解析PDF文件的工具類的過程。
（1）在Eclipse的workspace中創建一個普通的Java工程：ch7。
（2）把下載的PDFBox-0.7.3.zip解壓。
（3）進入external目錄下，可以看到，這裏包括了PDFBox所有用到的外部包。複製下面的Jar包到工程ch7的lib目錄下（如還未建立lib目錄，則先創建一個）。
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
然後再從PDFBox的lib目錄下，複製PDFBox-0.7.3.jar到工程的lib目錄下。
（4）在工程上單擊右鍵，在彈出的快捷菜單中選擇“Build Path->Config Build Path->Add Jars”命令，把工程lib目錄下面的包都加入工程的Build Path。
4、主要類介紹：
PDFTextStripper：核心提取組件，包含設置是否排序、抽取的起始頁和結束頁等方法。
PDDocument：內存中保存的PDFDocument對象，提供從文件系統和鏈接地址裝入文件兩種方式。
LucenePDFDocument：是主要用於和lucene集成的類，提供getDocument方法（也重載爲接收url和本地文件兩種方式），將PDF文件轉化爲lucene中的Document對象，並自動提取字段加入Document，可直接通過IndexWriter將其寫入索引中。
5、使用PDFBox解析PDF內容
在剛剛創建的Eclipse工程中，創建一個ch7.pdfbox包，並創建一個PdfboxTest類。該類包含一個getText方法，用於從一個PDF中獲取文本信息，其代碼如下。
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 自動生成方法存根
public static void main(String[] args) throws Exception{
PDDocument doc = PDDocument.load("d:/文檔.pdf");
int pagenumber = doc.getNumberOfPages();
FileOutputStream fos = new FileOutputStream("d:/文檔.txt");
Writer writer = new OutputStreamWriter(fos,"UTF-8");
PDFTextStripper stripper = new PDFTextStripper();
ts.setStortByPosition(false);
// stripper.setWordSeparator(""); //這樣中文輸出就不會帶空格
stripper.setStartPage(1);
stripper.setEndPage(4);
stripper.writeText(doc,writer);
doc.close();
writer.close();
}
} 下面我們來看一個索引類
package com.qianyan.pdf;
import java.io.File;
import java.io.IOException;
import net.paoding.analysis.analyzer.PaodingAnalyzer;
import org.apache.lucene.analysis.Analyzer;
import org.apache.lucene.document.Document;
import org.apache.lucene.index.IndexWriter;
public class TestLucenePDFDocument {
public static void main(String[] args) throws IOException{
String indexDir = "d:/luceneindex";
Analyzer analyzer = new PaodingAnalyzer();
IndexWriter writer = new IndexWriter(indexDir, analyzer, true);
Document doc = LucenePDFDocument.getDocument(new File("d:/explain.pdf"));
writer.addDocument(doc);
writer.close;
}
}
下面介紹解析PDF的另一種方式 （XPDF處理PDF文檔）
1、首先需要去下載相應包，XPDF官網Download （xpdfbin-win-3.03.zip、xpdf-chinese-simplified.tar.gz）
2、配置：
1）在這裏把解壓後的xpdf-chinese-simplified拷貝到解壓後xpdfbin-win-3.03的doc目錄下
2）找到doc目錄下的sample-xpdfrc的文件，改名爲xpdfrc，然後打開進行編輯 ：
1）#textEncoding UTF-8 （找到此行，將前面的#號去掉）
2）文件末尾添加以下代碼（注意：目錄爲相應解壓目錄）：
cidToUnicode Adobe-GB1 c:/xpdftest/xpdf/xpdf-chinese-simplified/Adobe-GB1.cidToUnicode
unicodeMap ISO-2022-CN c:/xpdftest/xpdf/xpdf-chinese-simplified/ISO-2022-CN.unicodeMap
unicodeMap EUC-CN c:/xpdftest/xpdf/xpdf-chinese-simplified/EUC-CN.unicodeMap
unicodeMap GBK c:/xpdftest/xpdf/xpdf-chinese-simplified/GBK.unicodeMap
cMapDir Adobe-GB1 c:/xpdftest/xpdf/xpdf-chinese-simplified/CMap
toUnicodeDir c:/xpdftest/xpdf/xpdf-chinese-simplified/CMap
3）代碼實現，爲了方便我們運行命令行的xpdf，我們封裝了一個XpdfParams類
package com.qianyan.xpdf;
public class XpdfParams {
private String convertor = "";
private String layout = "";
private String encoding = "";
private String source = "";
private String target = "";
public String getConvertor() {
return convertor;
}
public void setConvertor(String convertor) {
this.convertor = convertor;
}
public String getLayout() {
return layout;
}
public void setLayout(String layout) {
this.layout = layout;
}
public String getEncoding() {
return encoding;
}
public void setEncoding(String encoding) {
this.encoding = encoding;
}
public String getSource() {
return source;
}
public void setSource(String source) {
this.source = source;
}
public String getTarget() {
return target;
}
public void setTarget(String target) {
this.target = target;
}
public String getCMD(){
return convertor + " " + layout + " " + encoding + " " + source + " " + target + " ";
}
}
我們來看TestRuntime類，該類通過java的運行類查找我們配置好的xpdf.exe然後根據要求轉換pdf到txt文本中。
package com.qianyan.xpdf;
import java.io.IOException;
public class TestRuntime {
public static void main(String[] args) throws IOException{
XpdfParams xparam = new XpdfParams();
xparam.setConvertor("D:\\program files (x86)\\xpdf\\bin64\\pdftotext.exe");
xparam.setEncoding("-enc UTF-8");
xparam.setSource("E:\\lucene.pdf");
xparam.setTarget("E:\\lucene.txt");
String cmd = xparam.getCMD();
Runtime.getRuntime().exec(cmd);
}
} 解析PDF到此結束，下章我們來學習對HTML的解析 。