java解析pdf獲取pdf中內容信息

今日項目中需要將pdf中的數據獲取到進行校驗數據，於是前往百度翻來覆去找到以下幾種辦法，做個筆記,方便日後查詢。

廢話不多說，我要直接上代碼裝逼了

第一種使用開源組織提供的開源框架 pdfbox

特點:免費，功能強大，解析中文或許會存在亂碼，默認格式有點亂，沒有國產解析的那麼美化。

想要按行讀取：

  		PDFTextStripper stripper = new PDFTextStripper();

            stripper .setSortByPosition(sort); //sort設置爲true 則按照行進行讀取，默認是false

可以按照指定的模板，對pdf進行修改添加刪除等操作，總之操作很騷，很強大。

1 pdfbox 需要帶入依賴

   <dependency>
            <groupId>org.apache.pdfbox</groupId>
            <artifactId>pdfbox</artifactId>
            <version>2.0.15</version>
        </dependency>

        <!-- https://mvnrepository.com/artifact/org.apache.pdfbox/fontbox -->
        <dependency>
            <groupId>org.apache.pdfbox</groupId>
            <artifactId>fontbox</artifactId>
            <version>2.0.15</version>
        </dependency>
        <!-- https://mvnrepository.com/artifact/org.apache.pdfbox/jempbox -->
        <dependency>
            <groupId>org.apache.pdfbox</groupId>
            <artifactId>jempbox</artifactId>
            <version>1.8.16</version>
        </dependency>

2 代碼

/**
 * 功能 PDF讀寫類
 * @CreateTime 2011-4-14 下午02:44:11
 */
public class PDFUtil {

    //  public static final String CHARACTOR_FONT_CH_FILE = "SIMFANG.TTF";  //仿宋常規
    public static final String CHARACTOR_FONT_CH_FILE = "SIMHEI.TTF";  //黑體常規

    public static final Rectangle PAGE_SIZE = PageSize.A4;
    public static final float MARGIN_LEFT = 50;
    public static final float MARGIN_RIGHT = 50;
    public static final float MARGIN_TOP = 50;
    public static final float MARGIN_BOTTOM = 50;
    public static final float SPACING = 20;


    private Document document = null;

    /**
     * 功能：創建導出數據的目標文檔
     * @param fileName 存儲文件的臨時路徑
     * @return
     */
    public void createDocument(String fileName) {
        File file = new File(fileName);
        FileOutputStream out = null;
        document = new Document(PAGE_SIZE, MARGIN_LEFT, MARGIN_RIGHT, MARGIN_TOP, MARGIN_BOTTOM);
        try {
            out = new FileOutputStream(file);
//          PdfWriter writer =
            PdfWriter.getInstance(document, out);
        } catch (FileNotFoundException e) {
            e.printStackTrace();
        } catch (DocumentException e) {
            e.printStackTrace();
        }
        // 打開文檔準備寫入內容
        document.open();
    }

    /**
     * 將章節寫入到指定的PDF文檔中
     * @param chapter
     * @return
     */
    public void writeChapterToDoc(Chapter chapter) {
        try {
            if(document != null) {
                if(!document.isOpen()) document.open();
                document.add(chapter);
            }
        } catch (DocumentException e) {
            e.printStackTrace();
        }
    }

    /**
     * 功能  創建PDF文檔中的章節
     * @param title 章節標題
     * @param chapterNum 章節序列號
     * @param alignment 0表示align=left，1表示align=center
     * @param numberDepth 章節是否帶序號 設值=1 表示帶序號 1.章節一；1.1小節一...，設值=0表示不帶序號
     * @param font 字體格式
     * @return Chapter章節
     */
    public static Chapter createChapter(String title, int chapterNum, int alignment, int numberDepth, Font font) {
        Paragraph chapterTitle = new Paragraph(title, font);
        chapterTitle.setAlignment(alignment);
        Chapter chapter = new Chapter(chapterTitle, chapterNum);
        chapter.setNumberDepth(numberDepth);
        return chapter;
    }

    /**
     * 功能：創建某指定章節下的小節
     * @param chapter 指定章節
     * @param title 小節標題
     * @param font 字體格式
     * @param numberDepth 小節是否帶序號 設值=1 表示帶序號 1.章節一；1.1小節一...，設值=0表示不帶序號
     * @return section在指定章節後追加小節
     */
    public static Section createSection(Chapter chapter, String title, Font font, int numberDepth) {
        Section section = null;
        if(chapter != null) {
            Paragraph sectionTitle = new Paragraph(title, font);
            sectionTitle.setSpacingBefore(SPACING);
            section = chapter.addSection(sectionTitle);
            section.setNumberDepth(numberDepth);
        }
        return section;
    }

    /**
     * 功能：向PDF文檔中添加的內容
     * @param text 內容
     * @param font 內容對應的字體
     * @return phrase 指定字體格式的內容
     */
    public static Phrase createPhrase(String text,Font font) {
        Phrase phrase = new Paragraph(text,font);
        return phrase;
    }

    /**
     * 功能：創建列表
     * @param numbered  設置爲 true 表明想創建一個進行編號的列表
     * @param lettered 設置爲true表示列表採用字母進行編號，爲false則用數字進行編號
     * @param symbolIndent
     * @return list
     */
    public static List createList(boolean numbered, boolean lettered, float symbolIndent) {
        List list = new List(numbered, lettered, symbolIndent);
        return list;
    }

    /**
     * 功能：創建列表中的項
     * @param content 列表項中的內容
     * @param font 字體格式
     * @return listItem
     */
    public static ListItem createListItem(String content, Font font) {
        ListItem listItem = new ListItem(content, font);
        return listItem;
    }

    /**
     * 功能：創造字體格式
     * @param fontname
     * @param size 字體大小
     * @param style 字體風格
     * @param color 字體顏色
     * @return Font
     */
    public static Font createFont(String fontname, float size, int style, BaseColor color) {
        Font font =  FontFactory.getFont(fontname, size, style, color);
        return font;
    }

    /**
     * 功能： 返回支持中文的字體---仿宋
     * @param size 字體大小
     * @param style 字體風格
     * @param color 字體 顏色
     * @return  字體格式
     */
    public static Font createCHineseFont(float size, int style, BaseColor color) {
        BaseFont bfChinese = null;
        try {
            bfChinese = BaseFont.createFont(CHARACTOR_FONT_CH_FILE,BaseFont.IDENTITY_H, BaseFont.EMBEDDED);
        } catch (DocumentException e) {
            e.printStackTrace();
        } catch (IOException e) {
            e.printStackTrace();
        }
        return new Font(bfChinese, size, style, color);
    }

    /**
     * 最後關閉PDF文檔
     */
    public void closeDocument() {
        if(document != null) {
            document.close();
        }
    }


    /**
     * 讀PDF文件，使用了pdfbox開源項目
     * @param fileName
     */
    public static  void readPDF(String fileName) {
        File file = new File(fileName);
        FileInputStream in = null;
        try {
            in = new FileInputStream(fileName);
            // 新建一個PDF解析器對象
            PDFParser parser = new PDFParser(new RandomAccessFile(file,"rw"));
            // 對PDF文件進行解析
            parser.parse();
            // 獲取解析後得到的PDF文檔對象
            PDDocument pdfdocument = parser.getPDDocument();
            // 新建一個PDF文本剝離器
            PDFTextStripper stripper = new PDFTextStripper();
              stripper .setSortByPosition(sort); //sort設置爲true 則按照行進行讀取，默認是false
            // 從PDF文檔對象中剝離文本
            String result = stripper.getText(pdfdocument);
            FileWriter fileWriter = new FileWriter(new File("pdf.txt"));
            fileWriter.write(result);
            fileWriter.flush();
            fileWriter.close();
            System.out.println("PDF文件的文本內容如下：");
            System.out.println(result);

        } catch (Exception e) {
            System.out.println("讀取PDF文件" + file.getAbsolutePath() + "生失敗！" + e);
            e.printStackTrace();
        } finally {
            if (in != null) {
                try {
                    in.close();
                } catch (IOException e1) {
                }
            }
        }
    }


    /**
     * 測試pdf文件的創建
     * @param args
     */
    public static void main(String[] args) {

        String fileName = "C:\Users\tizzy\Desktop\測試.pdf";  //這裏先手動把絕對路徑的文件夾給補上。
        PDFUtil pdfUtil = new PDFUtil();
        pdfUtil.writeChapterToDoc(chapter);
        pdfUtil.closeDocument();
    }
}

解析後的內容格式

合 計
備
注
xxxxxxxxxxx普通發票
價稅合計（大寫） （小寫）
貨物或應稅勞務、服務名稱 規格型號 單位 數　量 單　價 金　額 稅率 稅　額
購
買
方
銷
售
方
收 款 人: 復 核: 開 票 人: 銷 售 方:（章）
密
碼
區
機器編號:
名　　　　稱:
納稅人識別號:
地 址、
開戶行及賬號:
名　　　　稱:
納稅人識別號:
地 址、
開戶行及賬號:
發票代碼:
發票號碼:
開票日期:
校 驗 碼:
電 話:
電 話:
￥1.00 ￥0.06
*xxxxxxxxxxx 1 1 1.00 6% 0.06
499111xxx80
壹圓零陸分
收款人 複覈人 開票人
0 3 < < 7 9 2 9 > 5 8 4 3 > 2 3 1xxxx / 3 5 0 > 3 5 8 1
> 7 6 3 8 > 1 - x + 1x 5 4 6 * 1 + 7xxx 8 < / 0 3 + 9
7 > < < 7 9 2 9 > 5 xxxx 4 3 > 2 3 1 2 > * + * - + 1 / 9 9
2 2 xx + 4 - < 4 2 9 0 1 - + 0 - 1 9xxxx5 / + 0 0 < 8 > 7
test
xxxx
9150000xxxxA
重慶市xxxxxxxx號、7號xxxxx-xxxxx
招商銀行1xxxxxxxxxx0
15xxxxxx1666
544xxxxx880
2019年04月10日
151xxx1 89xx13 56xx5 85xx80
￥1.06

第二種使用國產的框架 Spire.PDF

#####包含兩種版本 1 免費版 https://www.e-iceblue.cn/Downloads/Free-Spire-PDF-JAVA.html

友情提示: 免費版有 10 頁的頁數輸出限制，在輸出結果文檔時只能輸出前10頁。將 PDF 文檔轉換爲圖片、Word、HTML、XPS等格式時，僅支持轉換前 10 頁。如超出限制，可升級到商業版，我們僅對免費版進行不定期維護。

2 商業版本 https://www.e-iceblue.cn/Introduce/Spire-PDF-JAVA.html

api http://e-iceblue.cn/licensing/install-spirepdf-for-java-from-maven-repository.html

特點：商業版本收費，免費版本有限制，可供開發人員調試，解析格式友好，解析結果是按照行顯示,對pdf 圖形，水印，文本，條形碼等添加增刪改操作，總之個人感覺比pdfbox順手，但就是收費啊，誰讓咱公司沒錢呢。

主要功能

只需 Free Spire.PDF for Java，無需 Adobe Acrobat Free Spire.PDF for Java 是一款完全獨立的 PDF 類庫。它的運行環境無需安裝 Adobe Acrobat 或其他任何第三方組件。多樣化的PDF文檔操作功能 Free Spire.PDF for Java 支持畫文本、圖片、表格、條形碼、形狀到 PDF，提取文本和圖片，創建、填充和刪除 PDF 表單，添加文本/圖片水印到 PDF，添加、更新和刪除 PDF 書籤，操作超鏈接、附件和註釋，以及添加圖片/文本印章到 PDF 等。文檔信息設置 Free Spire.PDF for Java 支持設置 PDF 文檔信息，例如文檔屬性設置，偏好設置（頁面方向，頁面大小，縮放比例等）。高質量的文檔轉換功能 Free Spire.PDF for Java 支持將 PDF 文檔高質量地轉換爲 Word、HTML、XPS、圖片、SVG 和 PDF/A 格式，以及將 XPS 文檔高質量地轉換爲 PDF 格式。文檔安全性設置 Free Spire.PDF for Java 支持給 PDF 文檔添加和驗證數字簽名，加密和解密 PDF 文檔，修改 PDF 文檔的安全權限，以及檢測簽名後的 PDF 文檔是否被修改。易於集成開發人員可以輕易地將 Free Spire.PDF for Java 集成到 Java（J2SE和J2EE）應用程序中。

api 更多功能如下圖

1 倉庫地址和依賴

<repositories>
        <repository>
            <id>com.e-iceblue</id>
            <name>e-iceblue</name>
            <url>http://repo.e-iceblue.com/nexus/content/groups/public/</url>
        </repository>
</repositories>

<dependency>
        <groupId>e-iceblue</groupId>
        <artifactId>spire.pdf.free</artifactId>
        <version>2.2.2</version>
    </dependency>
<

2 代碼

//創建PdfDocument實例
PdfDocument doc = new PdfDocument();
//加載PDF文件
doc.loadFromFile("C:\\Users\\tizzy\\Desktop\\測試.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<doc.getPages().getCount();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("ExtractText.txt");
    writer.write(sb.toString());
    writer.flush();
} catch (IOException e) {
    e.printStackTrace();
}

doc.close();

解析後格式內容如圖

第三種使用iTika 進行解析pdf

api : https://tika.apache.org/

對中文支持不是很友好，解析的格式和pdfbox類似

1依賴


        <!-- https://mvnrepository.com/artifact/org.apache.tika/tika-core -->
        <dependency>
            <groupId>org.apache.tika</groupId>
            <artifactId>tika-core</artifactId>
            <version>1.20</version>
        </dependency>

2 代碼

public static String getPdfFileText(String fileName) throws IOException {
       PdfReader reader = new PdfReader(fileName);
       PdfReaderContentParser parser = new PdfReaderContentParser(reader);
       StringBuffer buff = new StringBuffer();
       TextExtractionStrategy strategy;
       for (int i = 1; i <= reader.getNumberOfPages(); i++) {
            strategy = parser.processContent(i,
                      new SimpleTextExtractionStrategy());
            buff.append(strategy.getResultantText());
           }
       return buff.toString();
      }

解析後內容格式類似pdfbox

總結

幾種方式各有利弊，開源也罷，閉源也罷，其中利弊自己權衡。

關注我

公衆號二維碼

如果你喜歡這篇文章，喜歡，在看，轉發。

Java解析pdf獲取pdf中內容信息

java解析pdf獲取pdf中內容信息

第一種使用開源組織提供的開源框架 pdfbox

第二種使用國產的框架 Spire.PDF

第三種使用iTika 進行解析pdf

總結

打開神經網絡的黑箱子

深圳IO 第8關-仿真蜂鳴器

深圳IO 第9關-無線遊戲控制器

動詞算子式通用代碼生成器的根本原理，動詞算子和域對象的笛卡爾積

通用代碼生成器簡介

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結

Java解析pdf獲取pdf中內容信息

java解析pdf獲取pdf中內容信息

第一種 使用開源組織提供的開源框架 pdfbox

第二種 使用國產的框架 Spire.PDF

第三種 使用iTika 進行解析pdf

總結

第一種使用開源組織提供的開源框架 pdfbox

第二種使用國產的框架 Spire.PDF

第三種使用iTika 進行解析pdf