使用 PDFBox 从 PDF 文档中读取特定页面

Posted

技术标签:

【中文标题】使用 PDFBox 从 PDF 文档中读取特定页面【英文标题】:Reading a particular page from a PDF document using PDFBox 【发布时间】:2011-10-13 23:08:42 【问题描述】:

如何(给定页码)?

【问题讨论】:

您能否更具体地说明“阅读”的含义? @Adrian:说,我想要PDPage对象中的第2页。 【参考方案1】:

这里是解决方案。希望它能解决您的问题。

string fileName="C:\mypdf.pdf";
PDDocument doc = PDDocument.load(fileName);                   
PDFTextStripper stripper = new PDFTextStripper();
stripper.setStartPage(1);
stripper.setEndPage(2);
//above page number 1 to 2 will be parsed. for parsing only one page set both value same (ex:setStartPage(1);  setEndPage(1);)
string reslut = stripper.getText(doc);

doc.close();

【讨论】:

【参考方案2】:

你可以在 PDDocument 实例上使用 getPage 方法

PDDocument pdDocument=null;
pdDocument = PDDocument.load(inputStream);
PDPage pdPage = pdDocument.getPage(0);

【讨论】:

【参考方案3】:

这应该可行:

PDPage firstPage = (PDPage)doc.getAllPages().get( 0 );

如BookMark section of the tutorial中所见

2015 年更新,2.0.0 版快照

似乎这已被删除并放回(?)。 getPage 在 2.0.0 javadoc 中。要使用它:

PDDocument document = PDDocument.load(new File(filename));
PDPage doc = document.getPage(0);

getAllPages 方法已重命名getPages

PDPage page = (PDPage)doc.getPages().get( 0 );

【讨论】:

这里doc的类型是什么? PDDocument 类似乎没有 getAllPages 方法。 @missingfaktor doc 是一个PDDocumentCatalog 对象 对于那些稍后来到这里的人:pdfbox.apache.org/cookbook/textextraction.html 基本上——使用 PDFTextStripper,而不是 PDPage,因为 PDPage 似乎更多的是在屏幕上显示页面而不是获取文本***.com/questions/13563482/… 对于 pdfbox 2.0,我只使用了:pdDoc.getPage(pageNumber);其中 pdDoc 是一种 PDDocument。 对于 PDFBox 1.8.10,PDDocument 类型似乎没有 getAllPages() 方法。不幸的是,该链接不再有效。【参考方案4】:
//Using PDFBox library available from http://pdfbox.apache.org/  
//Writes pdf document of specific pages as a new pdf file

//Reads in pdf document  
PDDocument pdDoc = PDDocument.load(file);

//Creates a new pdf document  
PDDocument document = null;

//Adds specific page "i" where "i" is the page number and then saves the new pdf document   
try    
    document = new PDDocument();   
    document.addPage((PDPage) pdDoc.getDocumentCatalog().getAllPages().get(i));   
    document.save("file path"+"new document title"+".pdf");  
    document.close();  
catch(Exception e)

【讨论】:

【参考方案5】:

我想我会在这里添加我的答案,因为我发现上面的答案很有用,但不完全是我需要的。

在我的场景中,我想单独扫描每个页面,寻找一个关键字,如果该关键字出现,然后对该页面执行一些操作(即复制或忽略它)。

我试图在我的回答中简单地替换常见变量等:

public void extractImages() throws Exception 
        try 
            String destinationDir = "OUTPUT DIR GOES HERE";
            // Load the pdf
            String inputPdf = "INPUT PDF DIR GOES HERE";
            document = PDDocument.load( inputPdf);
            List<PDPage> list = document.getDocumentCatalog().getAllPages();
            // Declare output fileName
            String fileName = "output.pdf";
            // Create output file
            PDDocument newDocument = new PDDocument();
            // Create PDFTextStripper - used for searching the page string
            PDFTextStripper textStripper=new PDFTextStripper(); 
            // Declare "pages" and "found" variable
            String pages= null; 
            boolean found = false;     
            // Loop through each page and search for "SEARCH STRING". If this doesn't exist
            // ie is the image page, then copy into the new output.pdf. 
            for(int i = 0; i < list.size(); i++) 
                // Set textStripper to search one page at a time 
                textStripper.setStartPage(i); 
                textStripper.setEndPage(i);             
                PDPage returnPage = null;
                // Fetch page text and insert into "pages" string
                pages = textStripper.getText(document); 
                found = pages.contains("SEARCH STRING");
                    if (i != 0) 
                            // if nothing is found, then copy the page across to new                     output pdf file
                        if (found == false) 
                            returnPage = list.get(i - 1); 
                            System.out.println("page returned is: " + returnPage);
                            System.out.println("Copy page");
                            newDocument.importPage(returnPage);
                        
                    
                
            newDocument.save(destinationDir + fileName);

            System.out.println(fileName + " saved");
          
         catch (Exception e) 
             e.printStackTrace();
             System.out.println("catch extract image");
         
    

【讨论】:

个人喜好,但我发现“if (! found)”比“if (found == false)”语法更易读:)【参考方案6】:

将此添加到命令行调用中:

ExtractText -startPage 1 -endPage 1 filename.pdf

把1改成你需要的页码。

【讨论】:

我必须通过一个程序来完成。

以上是关于使用 PDFBox 从 PDF 文档中读取特定页面的主要内容,如果未能解决你的问题,请参考以下文章

Apache PDFbox开发指南之PDF文档读取

pdfbox 操作 pdf 文档 - android

使用 pdfbox 编辑 pdf 页面

如何用java读取pdf文档的部分内容

java读取pdf和MS Office文档

使用pdfbox分页保存pdf为图片