PDFBox读取文字

本文概述

• 载入PDF文件
• 实例化PDFTextStripper类
• 检索文字
• 关闭文件
• Java程序

PDFBox库的主要功能之一是能够快速, 准确地从现有PDF文档中提取文本。在本节中, 我们将学习如何使用Java程序从PDFBox库中的现有文档中读取文本。 PDF文档可能包含文本, 动画和图像等作为其文本内容。我们可以使用PDFTextStripper类的getText()方法从现有的PDF文档中提取文本。

请按照以下步骤从现有的PDF文档中读取文本,

载入PDF文件

我们可以使用static load()方法加载现有的PDF文档。此方法接受文件对象作为参数。我们也可以使用PDFBox的类名PDDocument调用它。

File file = new File("Path of Document"); 
PDDocument doc = PDDocument.load(file);

实例化PDFTextStripper类

PDFTextStripper类用于从PDF文档中检索文本。我们可以实例化该类, 如下所示：

PDFTextStripper pdfStripper = new PDFTextStripper();

检索文字

getText()方法用于从PDF文档中读取文本内容。在这种方法中, 我们需要将文档对象作为参数传递。此方法将文本作为字符串对象返回。

String text = pdfStripper.getText(doc);

关闭文件

完成任务后, 我们需要使用close()方法关闭PDDocument类对象。

doc.close();

例-

这是一个PDF文档, 我们将使用Java程序的PDFBox库提取其文本内容。

Java程序

import java.io.File;
import java.io.IOException;

import java.io.File;
import java.io.IOException;

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

public class ExtractText {
	
	public static void main(String[] args)throws IOException {
		
		//Loading an existing document
	      File file = new File("/eclipse-workspace/blank.pdf");
	      PDDocument doc = PDDocument.load(file);
	
	//Instantiate PDFTextStripper class
	      PDFTextStripper pdfStripper = new PDFTextStripper();

	//Retrieving text from PDF document
	      String text = pdfStripper.getText(doc);
	      System.out.println("Text in PDF\n---------------------------------");
	      System.out.println(text);

	//Closing the document
	doc.close();
	}
}

输出

成功执行后, 上述程序从PDF文档中检索文本, 如以下输出所示。