解析pdf

from http://blog.csdn.net/wqjsir/article/details/4090841

PDF文档解析java Big Faceless

最近在公司实习，由于公司的项目，公司要求我们做解析文档的部分任务，首先我做的是PDF文档的解析，主管也说了，这是最简单的，用开源的JAVA库PDFbox就能解决，不过，pdfbox还不支持新的PDF1.7版本。我在网上搜索，终于找到了能支持PDF1.7版本的开源库了。The Big Faceless PDF Library可以到一下网站下载PDF包：里面有较详细的文档说明。
http://big.faceless.org/products/pdf/

发现比PDFbox还简单。

下面是我的代码：

import java.io.*;

import org.faceless.pdf2.*;

public class PrintPDF {

public static void main(String[] args) throws IOException {

//PDF文档路径

String filepath = "d://userguide.pdf";

//PDFReader对象建立

PDFReader reader = new PDFReader(new File(filepath));

//建立PDF文档对象

PDF pdf = new PDF(reader);

//建立文档解析对象

PDFParser parser = new PDFParser(pdf);

for (int i = 0; i < pdf.getNumberOfPages(); i++) {

PageExtractor extractor = parser.getPageExtractor(i);

System.out.println(extractor.getTextAsStringBuffer());

}

}

}

纯文本格式的pdf我已经解析出来了，但是我还要解析图片版本或者文字版中带图片的pdf。

解析纯文本的代码如下：

package pdfbox;

import java.io.ByteArrayOutputStream;

import java.io.FileWriter;

import java.io.IOException;

import java.io.PrintWriter;

import java.io.OutputStreamWriter;

import org.apache.pdfbox.pdmodel.PDDocument;

import org.apache.pdfbox.util.PDFTextStripper;

import org.apache.*;

public class pdf2 {

public static String getText(String file){

String s="";

String pdffile=file;

PDDocument pdfdoc=null;

try {

pdfdoc=PDDocument.load(pdffile);

PDFTextStripper stripper=new PDFTextStripper();

s=stripper.getText(pdfdoc);

} catch (IOException e) {

// TODO Auto-generated catch block

e.printStackTrace();

}

finally{

try {

if (pdfdoc!=null){

pdfdoc.close();

}

}catch (IOException e) {

// TODO Auto-generated catch block

e.printStackTrace();

}

}

return s;

}

public static void toTextFile(String doc,String filename) throws Exception{

String pdffile=doc;

PDDocument pdfdoc=PDDocument.load(doc);

try {

pdfdoc=PDDocument.load(pdffile);

PDFTextStripper stripper=new PDFTextStripper();

PrintWriter pw=new PrintWriter(new FileWriter(filename));

stripper.writeText(pdfdoc, pw);

} catch (IOException e) {

// TODO Auto-generated catch block

e.printStackTrace();

}

finally{

try {

if (pdfdoc!=null){

pdfdoc.close();

}

}catch (IOException e) {

// TODO Auto-generated catch block

e.printStackTrace();

}

}

}

/**

* @param args

*/

public static void main(String[] args) {

// TODO Auto-generated method stub

try {

String sc=getText("E:/solution.pdf");

System.out.print(sc);

toTextFile("E:/solution.pdf","E:/solution.txt");

} catch (Exception e) {

// TODO Auto-generated catch block

e.printStackTrace();

}

}

}

解析图片: PDDocumentCatalog cata = document.getDocumentCatalog();

List pages = cata.getAllPages();

int count = 1;

for( int i = 0; i < pages.size(); i++ )

{

PDPage page = ( PDPage ) pages.get( i );

if( null != page )

{

PDResources res = page.findResources();

//获取页面图片信息

Map imgs = res.getImages();

if( null != imgs )

{

Set keySet = imgs.keySet();

Iterator it = keySet.iterator();

while( it.hasNext() )

{

Object obj = it.next();

PDXObjectImage img = ( PDXObjectImage ) imgs.get( obj );

img.write2file( imgSavePath + count );

count++;

}

}

}

}

itext不论是旧的版本，还是新的版本，其核心包都不支持中文问题。这样就会造成在生成含有中文的pdf文档时，

中文不能正常显示的问题。要使itext支持中文，需要下载iTextAsian.jar包

编写支持中文的字体对象：

PdfWriter.getInstance(document, new FileOutputStream("123.pdf"));

BaseFont bfChinese = BaseFont.createFont("STSongStd-Light", "UniGB-UCS2-H", false);

Font fontChinese = new Font(bfChinese);

document.open();

Paragraph par = new Paragraph("你好",fontChinese);

document.add(par);

这样就解决了itext对这中文的支持。

注意：如果运行报错。（找不到资源包）。明明导入了iTextAsian.jar包怎么会找不到资源包呢。

这时我们查看一下iTextAsian.jar包发现包名：com.lowagie.text.pdf.fonts

而查看itext的Font的包名：com.itextpdf.text.pdf.fonts

原来iTextAsian.jar对iText的扩展，是通过在相同的包空间下加入字体来解决的，然而，新的iText的包空间命名

与久的版本有很大的差别。

解决办法时，解压iTextAsian.jar包，修改iTextAsian.jar包名于itext的包名命名规则一直，再从新生成jar包。

因为iTextAsian.jar为资源包，不为java文件，所以修改包名对iTextAsian.jar无影响

用java怎么提取或是解压rar压缩文档？以前查了很多的资料，没有找到相关的第三方库，网上查找的资料说是解析rar只能更加rar的命令行参数来解析。因为rar压缩文档的内部结构是没有共开的。所以没有专门的解析库程序。自己也就只好用命令行了，但是在实际应用中，遇到rar加密时就遇到了问题。

所以自己又在网上很费心的找了相关资料，终于找到了一个库可以解析rar文档。

库下载地址：http://www.mucommander.com/。这是个解决多种文档的软件，是用java写的。所以能够引用来解决rar的解析。

package DOCExtract;

import java.io.File;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.util.Collection;
import java.util.HashMap;
import java.util.Iterator;

import DocHandler.DocTypeNameParse;
import DocHandler.IDocHandler;

import com.mucommander.file.AbstractFile;
import com.mucommander.file.FileFactory;
import com.mucommander.file.impl.rar.provider.RarFile;
import com.mucommander.file.impl.rar.provider.de.innosystec.unrar.rarfile.FileHeader;
/**
* IDocHandler 为自己写的接口类
*
*/
public class RarExtractor implements IDocHandler {
// 每次读取的字节大小
private int BLOCKSIZE = 1024;
// 临时文件编号
private int FILE_COUNT = 0;

public int getText(InputStream inputStream, StringBuffer strBuff) {
String fileDir = "f://wang" + FILE_COUNT;
FILE_COUNT++;
String fileName = null;
try { // 将文件写入磁盘上
writeTodev(inputStream, fileDir);
// 从磁盘上读取文件
File file = new File(fileDir);
String[] subFilePath = file.list();
fileName = fileDir + "//" + subFilePath[0];
AbstractFile abstractFile = FileFactory.getFile(fileName);
RarFile rarFile = new RarFile(abstractFile);
Collection collection = rarFile.getEntries();
IDocHandler docHandler = null;
for (Iterator iterator = collection.iterator(); iterator.hasNext();) {
FileHeader fileHeader = (FileHeader) iterator.next();
String subFileName = fileHeader.getFileNameString();
// 输出rar文档里的文档名
System.out.println("subFileName:" + subFileName);

InputStream subinputStream = rarFile.getEntryInputStream(subFileName);
/**
* DocTypeNameParse为文自己写的文档类型判断类。
*/
String fileType = DocTypeNameParse.getTypeName(subFileName);
// 输出文档的类型
System.out.println("fileType:" + fileType);

docHandler = (IDocHandler) this.ExctractMap.get(fileType);
docHandler.getText(subinputStream, strBuff);
subinputStream.close();//这里必须关闭流，否则在遇到有文档异常时，流就会卡主
}
// System.out.println("strBuff:" + strBuff);
} catch (IOException e) {
e.printStackTrace();
}
// 删除临时文件
deleteFile(fileDir);
return 0;
}

// 将文件写入磁盘上
private void writeTodev(InputStream inputStream, String fileDir) {
byte[] b = new byte[BLOCKSIZE];
int readCount = 0;
try {
File file = new File(fileDir);
if (!file.exists())
file.mkdirs();
File subFile = new File(fileDir, "tempfile.rar");
FileOutputStream os = new FileOutputStream(subFile);
while ((readCount = inputStream.read(b)) > 0) {
os.write(b, 0, readCount);
}
os.close();
} catch (IOException e) {
e.printStackTrace();
}
}

// 删除临时文件
private void deleteFile(String fileName) {
File file = new File(fileName);
File[] subFile = file.listFiles();
for (int i = 0; i < subFile.length; i++) {
subFile[i].delete();
}
file.delete();
}
}