PDFBOX处理PDF文档

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！！