XPdf实现pdf转txt格式方法实现
来源:互联网 发布:c 比java难 编辑:程序博客网 时间:2024/06/08 19:20
近期在弄一个项目,需要将pdf文档的每一个段落关键字提取出来。很直接的想法就是先将pdf先转成txt,再把txt每个段落抓出来。网上看了下,绝大多数人都是用的pdfbox这个java类库。网上的源码实现很多,大同小异,随便拿一个来用都行。发现转倒是能转,可是原来的pdf格式全不见了是什么鬼,莫名其妙地给我多了很多空格,什么段落顶格全没了,乱七八糟的排版,这样我怎么将txt中的每个段落提取出来啊!!!!
上网查了很久,发现这是个很经典的问题,貌似很多人都是这个问题。pdfbox会自动在某些读取文字中加入一些格式,比如回车、空格等,造成了很不好的效果。什么itext、pdfbox都是这个问题。我甚至去下了一个专门pdf格式转换的软件,转出来的效果那也是一个惨不忍睹(专业的都这样,那还有什么搞头)。就在我决定放弃的时候,看到一篇很古老的博客有说用到XPdf能比较好解决这个问题。那还说什么,马上开始试验。
一、XPDF的配置
1.我下载的是: xpdfbin-win-3.04.zip
另外还需要一个语言包:xpdf-chinese-simplified.tar.gz
2.工作路径设置
在本文中以 c:\xpdftest\xpdf 作为xpdf的工作路径。 将 xpdfbin-win-3.04.zip 解压到 c:\xpdftest\xpdf 下。 将 xpdf-chinese-simplified.tar.gz 解压到 c:\xpdftest\xpdf\xpdf-chinese-simplified 下。
3.修改配置文件
为了启用中文简体语言包,必须将 xpdf-chinese-simplified 目录下的 sample-xpdfrc 文件进行如下配置,并将其另存为 xpdfrc 文件 。
注意:此文件为配置文件,而且名称必须是 xpdfrc 。如果是别的名字,即使调用 pdftotext.exe 时,传入 ” -cfg xpdfrc2 ” 来告诉 xpdf 配置文件的名字,好像 pdftotext.exe 也并没有使用这个配置文件。所以为了减少误解,请您将配置文件直接命名为 xpdfrc 。
修改 sample-xpdfrc 文件之一
在文件后面 加上一段话 :
Txt代码
- #----- begin Chinese Simplified support package (2004-jul-27)
- 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:/xpdf/chinese-simplified/CMap
- #displayCIDFontTT Adobe-GB1 /usr/..../gkai00mp.ttf
- #----- end Chinese Simplified support package
注意:路径要跟自己配置的一样。
修改 sample-xpdfrc 文件之二
另外,配置文件中原先没有加上一个“ textPageBreaks ”控制。为了避免这个分页符号,我们需要在 sample-xpdfrc 文件 “ text output control ”下面 加上一段话 : Txt代码
- # If set to "yes", text extraction will insert page
- # breaks (form feed characters) between pages. This
- # defaults to "yes".
- textPageBreaks no
设置 textPageBreaks 为 no 的意思是:在 PDF 文档的两页之间不加入分页符号。 之所以这样,是因为这个符号有时候会引起 SAX 解析 XML 上的困难。
- 修改 sample-xpdfrc 文件之三
配置文件中原先把 textEncoding 注释了。这样默认的字符集是 Latin1 。我们必须打开它,并且就是指定 textEncoding 为UTF-8 ,而不是 GB2312 。即修改这句话 :
- textEncoding UTF-8
好了,配置弄好后就该代码实现了,代码不难,下面贴上来。
TestPdfToText.java
- package pdfToText;
- public class TestPdfToText {
- /**
- * @param args
- */
- public static void main(String[] args) {
- String rootPath = "c:\\061231";
- //pdf文件路径
- String pdffile = rootPath + ".pdf";
- //用xpdf生成的txt文件路径
- String xpdfToTxtfile = rootPath + "_xpdf.txt";
- //XPDF
- try{
- long begin = System.currentTimeMillis();
- XpdfToText xpToTxt = new XpdfToText(pdffile);
- xpToTxt.toTextFile(xpdfToTxtfile);
- long end = System.currentTimeMillis();
- System.out.println("xpdf\t cost:\t" + (end - begin) + " ms");
- }catch(Exception e){
- e.printStackTrace();
- }
- }
- }
- package pdfToText;
- import java.io.File;
- import java.io.IOException;
- public class XpdfToText {
- // PDF文件名
- private File pdffile;
- // 转换器的存放位置,默认在c:\xpdftest\xpdf下面
- private String CONVERTOR_STORED_PATH = "c:\\xpdftest\\xpdf\\";
- // 转换器的名称,默认为pdftotext
- private String CONVERTOR_NAME = "pdftotext";
- // 构造函数,参数为pdf文件的路径
- public XpdfToText(String pdffile) throws IOException {
- this.pdffile = new File(pdffile);
- }
- // 将pdf转为文本文档,参数为目标文件的路径
- public void toTextFile(String targetfile) throws IOException {
- toTextFile(targetfile, true);
- }
- // 将pdf转为文本文档,参数1为目标文件的路径,
- // 参数2为true则表示使用PDF文件中的布局
- public void toTextFile(String targetfile, boolean isLayout)
- throws IOException {
- String[] cmd = getCmd(new File(targetfile), isLayout);
- Runtime.getRuntime().exec(cmd);
- }
- // 获取PDF转换器的路径
- public String getCONVERTOR_STORED_PATH() {
- return CONVERTOR_STORED_PATH;
- }
- // 设置PDF转换器的路径
- public void setCONVERTOR_STORED_PATH(String path) {
- if (!path.trim().endsWith("\\"))
- path = path.trim() + "\\";
- this.CONVERTOR_STORED_PATH = path;
- }
- // 解析命令行参数
- private String[] getCmd(File targetfile, boolean isLayout) {
- // 命令字符
- String command = CONVERTOR_STORED_PATH + CONVERTOR_NAME;
- // PDF文件的绝对路径
- String source_absolutePath = pdffile.getAbsolutePath();
- // 输出文本文件的绝对路径
- String target_absolutePath = targetfile.getAbsolutePath();
- // 保持原来的layout
- String layout = "-layout";
- // 设置编码方式
- String encoding = "-enc";
- String character = "GBK";
- // 设置不打印任何消息和错误
- String mistake = "-q";
- // 页面之间不加入分页
- String nopagebrk = "-nopgbrk";
- // 如果isLayout为false,则设置不保持原来的layout
- if (!isLayout)
- layout = "";
- return new String[] { command, layout, encoding, character, mistake,
- nopagebrk, source_absolutePath, target_absolutePath };
- }
- }
附上项目源码下载地址
- XPdf实现pdf转txt格式方法实现
- 实现pdf转换成txt格式的方法分享
- 可以实现pdf转换成txt格式的方法
- 实现TXT转换PDF格式的方法有哪些
- 如何快速实现txt转换pdf格式
- PDF转TXT格式
- 纯Java实现PDF转txt文件
- 实现pdf图片格式转换成txt文档的方法
- txt转换pdf格式的通用方法
- SVG格式转PDF(java实现)
- 文档转pdf格式,实现在线预览
- java实现爬虫技术,读取txt,word,excel,ppt,pdf,html等格式的文件
- Android实现在线预览office文档(Word,Pdf,excel,PPT.txt等格式)
- java调用Apache OpenOffice实现TXT、HTML、OFFICE转PDF
- 如何把ppt转成pdf格式实现方法
- txt批量转换成pdf格式的方法
- 把txt文件转换成pdf格式的方法
- txt文件转换成pdf格式的方法
- ARI聚类效果评价指标
- 介绍一个jqurey上传库
- GPS坐标转换经纬度及换算方法
- HTML&CSS基础学习笔记1.34-通用选择器
- vsftpd服务器的安装和配置
- XPdf实现pdf转txt格式方法实现
- 协调色-橙色
- 基于标准的http来实现Android多文件上传
- fastjson学习笔记
- SSE(Server-sent Events)
- [Leetcode] Symmetric
- mac os sierra安装cocoapods过程
- AeroSpike之:安装AMC
- Python学习super()