PDFBOX处理PDF文档
来源:互联网 发布:c 面向对象编程 pdf 编辑:程序博客网 时间:2024/04/29 05:43
首先,在学习中接触到了pdfbox,感觉用它处理pdf文档确实很方便,从网上找到一段处理文档的代码,但运行中发现一些问题,具体的解决方法如下,希望给你有所帮助,
首先在myeclipse中建立一个java工程,
从pdfbox官网中下载pdfbox,然后将pdfbox中的相关jar包导入工程中,建立buildpath,具体方法可以从网上搜索。
建立一个java文件,
具体代码如下:
package pdfbox;
import java.io.BufferedReader;
import java.io.File;
import java.io.FileOutputStream;
import java.io.FileReader;
import java.io.OutputStreamWriter;
import java.io.Writer;
import java.net.MalformedURLException;
import java.net.URL;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.util.PDFTextStripper;
public class Pdfbox {
public static final String DEFAULT_ENCODING = "UTF-8";
// "ISO-8859-1";
// "ISO-8859-6";
// "US-ASCII";
// "UTF-8";
// "UTF-16";
// "UTF-16BE";
// "UTF-16LE";
public void geText(String file) throws Exception {
// 是否排序
boolean sort = false;
// pdf文件名
String pdfFile = file;
// 输入文本文件名称
String textFile = 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 = Integer.MAX_VALUE;
// 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;
try {
try {
// 首先当作一个URL来装载文件,如果得到异常再从本地文件系统//去装载文件
URL url = new URL(pdfFile);
document = PDDocument.load(url);
// 获取PDF的文件名
String fileName = url.getFile();
// 以原来PDF的名称来命名新产生的txt文件
if (fileName.length() > 4) {
File outputFile = new File(fileName.substring(0, fileName
.length() - 4)
+ ".txt");
textFile = outputFile.getName();
}
} catch (MalformedURLException e) {
// 如果作为URL装载得到异常则从文件系统装载
document = PDDocument.load(pdfFile);
if (pdfFile.length() > 4) {
textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";
}
}
// 文件输入流,写入文件倒textFile
output = new OutputStreamWriter(new FileOutputStream(textFile),encoding);
// PDFTextStripper来提取文本
PDFTextStripper 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
stripper.writeText(document, output);
} finally {
if (output != null) {
// 关闭输出流
output.close();
}
if (document != null) {
// 关闭PDF Document
document.close();
}
}
}
public static void main(String[] args) {
Pdfbox test = new Pdfbox();
try {
test.geText("D:\\中文测试.pdf");
FileReader fr = new FileReader("D:\\中文测试.txt");
BufferedReader br = new BufferedReader(fr);
String s = br.readLine();
while(s!=null)
{
System.out.println(s);
s = br.readLine();
}br.close();
fr.close();
} catch (Exception e) {
e.printStackTrace();
}
}
}
可能出现的问题:
处理英文pdf可以抽出文本,但中文的无法解决,会出现乱码或者报错:
首先,可能编码方式不对,输入流编码方式最好用UTF-8,workspace的编码方式默认是GBK,
其次:pdf文档格式不规范,有些pdf文档是处理时会报错或乱码,可尝试换一个正规格式的文档。
最后:我用的是pdfbox0.7.3版的,据说据说是pdfBox从0.7.3版本开始就没有编译好的dll,
从网上下载一个pdfbox-1.1.0的jar文件,解压后将里面的
fontbox-1.0.0.jar和pdfbox-1.1.0.jar放入到工程的lib文件夹中,然后通过buildpath——>configurebuildpath——>addjars
置换开始导入的两个文件名相同的旧版本文件。再次运行就会发现,问题解决了!!
- PDFBOX处理PDF文档
- 使用PDFBox处理PDF文档
- 使用PDFBox处理PDF文档
- 使用PDFBox处理PDF文档
- 使用PDFBox处理PDF文档
- 使用PDFBox处理PDF文档
- 使用PDFBox处理PDF文档
- 使用PDFBox处理PDF文档
- 使用PDFBox处理PDF文档
- 7.1 使用PDFBox处理PDF文档
- PDFBox 解析PDF文档
- PDFBox解析PDF文档
- 使用PDFBox解析PDF文档
- 提取文档中的文本内容(使用PDFBox处理PDF文档)
- PDF文档解析:PDFBox和iText实例
- 用xpdf和pdfbox来处理中文PDF文档及其比较
- pdfbox 与 pdf彻底研究之创建pdf文档
- PDFBox下载及将pdf提取转换为txt文档
- HBase实现分页浏览
- Hadoop读书笔记(十一)MapReduce中的partition分组
- 图片存储策略
- 测试工作速记3 - 交叉测试
- shape文件圆角bug的一种解决方法
- PDFBOX处理PDF文档
- Java基础之网络编程知识点总结
- WINDOWS.H 简介
- codevs1017 乘积最大(dp)
- Android学习笔记之项目清单分析
- C++实现两个已经排序的链表进行合并
- 最少转机——图的广度优先遍历
- 十一月总结(11.30)
- 十一月总结