pdfbox读取pdf文本内容
程序员文章站
2022-06-23 11:17:46
PDF文本内容读取这次做的功能中需要把pdf中的文本内容读取出来,开始也是不会做。后来在网上找了很多帖子进行了一些小小的研究后才决定用pdfbox和itextpdf这两种技术来实现这个功能,在此记录自己探索中的一些问题,希望有大神指教!maven坐标如下: org.apache.pdfbox pdfbox
PDF文本内容读取
这次做的功能中需要把pdf中的文本内容读取出来,开始也是不会做。后来在网上找了很多帖子进行了一些小小的研究后才决定用pdfbox来
实现这个功能,在此记录自己探索中的一些问题,希望有大神指教!
maven坐标如下:
<dependency>
<groupId>org.apache.pdfbox</groupId>
<artifactId>pdfbox</artifactId>
<version>1.8.8</version>
</dependency>
<dependency>
<groupId>org.apache.pdfbox</groupId>
<artifactId>fontbox</artifactId>
<version>1.8.8</version>
</dependency>
pdfbox与fontbox的版本不一致、或者没有引入fontbox的坐标会出现以下错误:
Exception in thread "main" java.lang.NoClassDefFoundError: org/apache/fontbox/afm/AFMPaeser
读取本地文件(复杂版–实用):
public static void main(String[] args) throws Exception {
try {
File file = new File("本地文件路径");
//一般在后端代码中获取到是inputStream,所以第一步是 可以省略的
InputStream inputStream = new FileInputStream(file);
//老版本(例如:1.8.8)的不用进行强转,新版本(例如:2.0.8)的需要
//加载pdf文档
PDFParser parser = new PDFParser((RandomAccessRead) inputStream);
/**
* 缺少这句会报:
* Exception in thread "main" java.io.IOException:
* You must call paser() before calling getDocument
*/
parser.parse();
PDDocument pdDocument = parser.getPDDocument();
//获取总页码
int pages = pdDocument.getNumberOfPages();
//读取文本内容
PDFTextStripper stripper = new PDFTextStripper();
//设置输出顺序(是否排序)
stripper.setSortByPosition(true);
stripper.setStartPage(1);
stripper.setEndPage(pages);
//文本内容
String text = stripper.getText(pdDocument);
System.out.println(text);
//关闭资源
pdDocument.close();
} catch (InvalidPasswordException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
}
读取本地文件(简单版–鸡肋):
public static void main(String[] args) {
PDDocument pdDocument =null;
try {
//获取pdf文档
pdDocument = PDDocument.load(new File("文件路径"));
//获取总页码
int pages = pdDocument.getNumberOfPages();
//获取文本内容
PDFTextStripper stripper = new PDFTextStripper();
//设置输出顺序(是否排序)
stripper.setSortByPosition(true);
stripper.setStartPage(1);
stripper.setEndPage(pages);
System.out.println(stripper.getText(pdDocument));
//关闭资源是个好习惯
pdDocument.close();
}catch (IOException e){
e.printStackTrace();
}
}
总结:
pdf读取文档内容暂时就介绍到这里了,研究的只是用在开发这个功能上,肯定存在不足,jar包找不到的话可以留言我上传!
本文地址:https://blog.csdn.net/weixin_45949103/article/details/110449681
上一篇: 面试问题技术点记录