使用pdfbox解析中英文pdf文件
2011-08-22 13:54
691 查看
package com.dreamers.read;
import java.io.Writer;
import java.net.MalformedURLException;
import java.net.URL;
import org.pdfbox.pdmodel.PDDocument;
import org.pdfbox.util.PDFTextStripper;
public class PdfboxText {
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 String geText(String file) throws Exception {
// 是否排序
boolean sort = false;
//ArrayList<String> list = new ArrayList<String>();
// pdf文件名
String pdfFile = file;
// 输入文本文件名称
// 编码方式
// 开始提取页
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
} 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);
}
// 文件输入流,写入文件倒textFile
// PDFTextStripper来提取文本
PDFTextStripper stripper = null;
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);
// list.add(stripper.getText(document));
String text = stripper.getText(document);
// 调用PDFTextStripper的writeText提取并输出文本
return text;
} 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) {
PdfboxText test = new PdfboxText();
try {
//ArrayList<String> list = new ArrayList<String>();
System.out.println(test.geText("E:\\java\\PdfText\\Dom4j解析XML.pdf"));
} catch (Exception e) {
e.printStackTrace();
}
}
}
刚开始用的版本低不能解析中文文件,新版本支持中文,减少了不少功夫。
相关文章推荐
- 使用PDFBox解析pdf文件
- 使用PDFBox解析PDF内容
- 使用pdfbox编辑pdf文件
- 使用PDFBox提取PDF文件中文本
- Python 3.6 中使用pdfminer解析pdf文件
- Java使用PDFBox操作PDF文件
- java使用pdfbox操作pdf文件
- 使用PDFBox解析PDF内容
- Java 使用 pdfbox 读取 PDF文件中的文本
- java使用pdfbox操作pdf文件示例
- Java解析PDF文件(PDFBOX、itext解析PDF)导出PDF中的子图片,去除PDF中的水印
- 使用iTextPDF与PDFBox提取PDF文件指定页的纯文字
- Java解析PDF文件(PDFBOX、itext解析PDF)导出PDF中的子图片,去除PDF中的水印
- 使用PDFBox读取pdf文件
- 使用pdfbox解析pdf文档信息(属性,内容,图片)
- 使用pdfbox提取pdf文件中的字符信息
- 使用pdfbox与itext设置pdf文件密码
- lucene入门-解析pdf(使用pdfbox解析英文PDF)
- 使用pdfbox解析pdf文档信息(属性,内容,图片)
- 关于对PDF文件解析的使用