如何使用Java读取PDF文件？

Question

我想使用Java从PDF文件中读取一些文本数据。我该怎么做？

- yohan.jayarathna

Answer 1

PDFBox 是我找到的最好用于此目的的库，它很全面，如果只进行基本文本提取，则使用起来非常容易。可以在这里找到示例。

页面上有解释，但需要注意的一件事是，在使用 setStartPage() 和 setEndPage() 时，开始和结束索引都包括在内。第一次跳过了这个解释，然后花了一段时间才意识到每次调用返回超过一页的原因！

Itext 是另一个选择，也适用于 C#，但我个人从未使用过。与 PDFBox 相比，低级别一些，因此如果您只需要基本的文本提取，则不太适合该工作。

- Michael Berry

Answer 2

使用Apache PDFBox，操作方式如下：

import java.io.File; 
import java.io.IOException; 
import org.apache.pdfbox.pdmodel.PDDocument; 
import org.apache.pdfbox.text.PDFTextStripper; 
import org.apache.pdfbox.text.PDFTextStripperByArea;

PDDocument document = PDDocument.load(new File("test.pdf"));
if (!document.isEncrypted()) {
    PDFTextStripper stripper = new PDFTextStripper();
    String text = stripper.getText(document);
    System.out.println("Text:" + text);
}
document.close();

- Sachin

---

导入以下内容：import java.io.File; import java.io.IOException; import org.apache.pdfbox.pdmodel.PDDocument; import org.apache.pdfbox.text.PDFTextStripper; import org.apache.pdfbox.text.PDFTextStripperByArea; - Srivastav

Answer 3

PDFBox 包含 文字提取工具。

iText 在文本处理方面有更多的低级支持，但是你需要编写大量代码才能进行文本提取。

iText in Action 对于从 PDF 中提取文本的限制进行了很好的概述，无论使用哪个库（第18.2节：提取和编辑文本），并且有一个令人信服的解释为什么该库不支持文本提取。简而言之，编写可以处理简单情况的代码相对容易，但通常无法从 PDF 中提取文本。

- Bolo