使用pdfbox解析中英文pdf文件

 
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。