360SDN.COM

首页/PdfBox/列表

Apache PdfBox 2.0.X 版本解析PDF文档(文字和图片)

来源:  2018-08-02 17:55:49    评论:0点击:

来源:https://blog.csdn.net/cainiaoxuexi/article/details/79499935

  最近项目开发过程涉及到了pdf文件的内容的解析和和内容的提取入库操作,其中pdf的解析采用了开源的apache pdfbox 插件,版本选用的是最新版本的2.0.8版本,现将简单的读取解析的步骤记录如下:

        1、导入jar,基础的需要 pdfbox-2.0.8.jar fontbox-2.0.8.jar 2个jar包 

            Apache下载链接如下:

                    https://pdfbox.apache.org/download.cgi

            mvean可以如下添加:

                    <dependency>
                            <groupId>org.apache.pdfbox</groupId>
                            <artifactId>pdfbox</artifactId>
                            <version>2.0.8</version>

                    </dependency>

                      <dependency>
                            <groupId>org.apache.pdfbox</groupId>
                            <artifactId>fontbox</artifactId>
                            <version>2.0.8</version>

                       </dependency>

        2、从PDF中获取文本内容:

            首先 读取文件,或者获取web上传的文件流,然后生成pdfdocument,最后document进行遍历解析,封装自己想要的数据或者对象,具体的解析代码如下:

     /**
     * 从pdf文件中解析为字符串,只能返回pdf中的文字内容,图片,表格均解析不了
     * @param pdfFile
     * @param sort 是否有序
     * @return
     * @throws Exception
     */
    public static String getTextFromPdf(InputStream fileStream, boolean sort) {
        // 开始提取页数
        int startPage = 1;
        // 结束提取页数
        String content = null;
        PDDocument document = null;
        try {
            // 加载 pdf 文档
            document = PDDocument.load(fileStream);
            int endPage = null == document ? Integer.MAX_VALUE : document.getNumberOfPages();
            PDFTextStripper stripper = new PDFTextStripper();
            stripper.setSortByPosition(sort);
            stripper.setStartPage(startPage);
            stripper.setEndPage(endPage);
            content = stripper.getText(document);
            log.info("pdf 文件解析,内容为:" + content);
        } catch (Exception e) {
            log.error("文件解析异常,信息为: " + e.getMessage());
        }
        return content;

    }
 

    3、从pdf文档中抓取图片的列表信息(话不多说,直接贴代码)

        /**
     * 从pdf文档中读取所有的图片信息
     * 
     * @return
     * @throws Exception 
     */
    public static List<PDImageXObject> getImageListFromPDF(PDDocument document,Integer startPage) throws Exception {
        List<PDImageXObject> imageList = new ArrayList<PDImageXObject>();
        if(null != document){
            PDPageTree pages = document.getPages();
            startPage = startPage == null ? 0 : startPage;
            int len = pages.getCount();
            if(startPage < len){
                for(int i=startPage;i<len;i++){
                    PDPage page = pages.get(i);
                    Iterable<COSName> objectNames = page.getResources().getXObjectNames();
                    for(COSName imageObjectName : objectNames){
                        if(page.getResources().isImageXObject(imageObjectName)){
                            imageList.add((PDImageXObject) page.getResources().getXObject(imageObjectName));
                        }
                    }
                }
            }
        }
        return imageList;
    }

  

 注意:上个方法中返回的list中为 PDImageXObject 对象,不是我们Java中对应的Image对象,所以不能直接保存到本地或者提交到服务器,需要进行简单的转换一下,例子可参考如下:

        /**
     * 读取图片文件流信息
     * @param iamge
     * @return
     * @throws Exception 
     */
    public static InputStream getImageInputStream(PDImageXObject iamge) throws Exception 
    {
        if(null!=iamge && null!= iamge.getImage())
        {
            BufferedImage bufferImage = iamge.getImage();  
            ByteArrayOutputStream os = new ByteArrayOutputStream();  
            ImageIO.write(bufferImage, iamge.getSuffix(), os);  
            return new ByteArrayInputStream(os.toByteArray());
        }
        return null;
    }
 

 这样就可以读取到对应的图片的例子,可以new File对象写到磁盘上,如:

                    File imgFile = new File("e:\\"+name+"."+image.getSuffix());
                    FileOutputStream fout = new FileOutputStream(imgFile);
                    ByteArrayOutputStream os = new ByteArrayOutputStream();  
                    ImageIO.write(imageb, image.getSuffix(), os);  
                    InputStream is = new ByteArrayInputStream(os.toByteArray());  
                    int byteCount = 0;
                    byte[] bytes = new byte[1024];

                    while ((byteCount = is.read(bytes)) > 0)
                    {                       
                        fout.write(bytes,0,byteCount);       
                    }

                    fout.close();

                    is.close();

  以上仅供参考,经测试可以解析到文本和图片并且可以保存入库和view层展示下载等,代码只是实现了原理,没有进行进一步的优化,希望大家指正,谢谢

 


为您推荐

友情链接 |九搜汽车网 |手机ok生活信息网|ok生活信息网|ok微生活
 Powered by www.360SDN.COM   京ICP备11022651号-4 © 2012-2016 版权