概述
一般來說,我們無法對PDF文檔格式的內容進行修改編輯,但當我們確有此需求時,可通過提取文本內容的方式來實現。本文就將介紹如何通過Java代碼來提取PDF文檔中的文本內容。
此教程用到的第三方控件是Free Spire.PDF for Java(免費版)。根據不同需求,它可以支持以下三方面的提取功能。
● 提取PDF文檔中的所有文本內容
● 提取PDF指定頁面的文本內容
● 提取PDF指定區域的文本內容
Jar包的獲取及導入
在運行代碼前,需將Free Spire.PDF for Java控件中的Jar包導入IDEA中。導入方式有兩種:其一,在官網上下載產品包,解壓後將lib文件夾下的Spire.Pdf.jar手動導入IDEA;其二,在IDEA中創建一個Maven項目,然後在pom.xml文件中鍵入以下代碼,最後點擊“Import Changes”即可。
<repositories>
<repository>
<id>com.e-iceblue</id>
<url>http://repo.e-iceblue.cn/repository/maven-public/</url>
</repository>
</repositories>
<dependencies>
<dependency>
<groupId>e-iceblue</groupId>
<artifactId>spire.pdf.free</artifactId>
<version>3.9.0</version>
</dependency>
</dependencies>
示例代碼
示例1 提取PDF文檔中的所有文本內容
import com.spire.pdf.PdfDocument;
import com.spire.pdf.PdfPageBase;
import java.io.*;
public class ExtractAllText {
public static void main(String[] args) {
//創建PdfDocument實例
PdfDocument doc=new PdfDocument();
//加載PDF文檔
doc.loadFromFile("C:\\Users\\Test1\\Desktop\\Sample.pdf");
//創建StringBuilder實例
StringBuilder sb=new StringBuilder();
PdfPageBase page;
//遍歷PDF頁面,獲取每個頁面的文本並添加到StringBuilder對象
for(int i=0;i
page=doc.getPages().get(i);
sb.append(page.extractText(true));
}
FileWriter writer;
try {
//將StringBuilder對象中的文本寫入到文本文件
writer = new FileWriter("output/ExtractText.txt");
writer.write(sb.toString());
writer.flush();
} catch (IOExceptione) {
e.printStackTrace();
}
doc.close();
}
}
提取效果:
示例2 提取PDF指定頁面的文本內容
import com.spire.pdf.*;
import java.io.BufferedWriter;
import java.io.File;
import java.io.FileWriter;
import java.io.IOException;
public class ExtractTextFromParticularPage {
public static void main(String[] args) throws IOException{
//加載PDF文檔
PdfDocument pdf = new PdfDocument();
pdf.loadFromFile("C:\\Users\\Test1\\Desktop\\Sample.pdf");
//創建.txt文件,用於保存提取的文本
String result = "output/extractTextFromAParticularPage.txt";
File file= new File(result);
if(!file.exists()){
file.delete();
}
file.createNewFile();
FileWriter fw= new FileWriter(file,true);
BufferedWriter bw= new BufferedWriter(fw);
//獲取第一頁的文本
PdfPageBase page = pdf.getPages().get(0);
String text = page.extractText(true);
//String text = page.extractText(false);
bw.write(text);
bw.flush();
bw.close();
fw.close();
}
}
提取效果:
示例3 提取PDF指定區域的文本內容
import com.spire.pdf.*;
import java.awt.geom.Rectangle2D;
import java.io.BufferedWriter;
import java.io.File;
import java.io.FileWriter;
import java.io.IOException;
public class ExtractTextFromSpecificArea {
public static void main(String[] args) throws IOException{
//加載PDF文檔
PdfDocument pdf = new PdfDocument();
pdf.loadFromFile("C:\\Users\\Test1\\Desktop\\Sample.pdf");
//創建.txt文件,用於保存提取的文本
File file=new File("output/extractTextFromASpecificArea.txt");
if(!file.exists()){
file.delete();
}
file.createNewFile();
FileWriter fw= new FileWriter(file,true);
BufferedWriter bw= new BufferedWriter(fw);
//獲取第一頁
PdfPageBase page = pdf.getPages().get(0);
//提取第一頁指定區域的文本
String text = page.extractText(new Rectangle2D.Float(80, 20,500, 110));
bw.write(text);
bw.flush();
bw.close();
fw.close();
}
}
提取效果: