Java pdf转String 并修正格式

Posted 2020-10-14 Jacck

在尝试pdf转成String的时候，首先用python的pdfminer和pdfminer3k去尝试转换，然后资料看不太懂，就尝试用了java，

以下是java的pdfbox写的pdf转String函数（main函数没有贴出来，直接用的一个全局函数）  需要加入的包有

百度搜一下pdfbox去官网下载一个放在lib里就行了

 

然后比较重要的突破是能把原来生成格式比较混乱的String处理成比较能看的String

效果如下：

没有转换前输出格式如下

转换后格式：

 

 

 代码如下：

import java.io.*;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

public static String  getText(String file) throws Exception {
        // 是否排序
        boolean sort = false;
        // PDF的本地路径或者url
        String pdfFile = file;
        // 编码方式
        String encoding = "UTF-8";
        // 开始提取页数
        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{

            // 采用PDFTextStripper提取文本
            PDFTextStripper 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);
            String text = stripper.getText(document);

            //尝试把前边或后边接有空白字符的换行符换成其他的文字，然后把换行符替换掉，之后再把其他文字换成换行符
　　　　　　　//原理是pdf转成String中间有过多的回车换行符\\r\\n这种，但是如果换行符前后都是有文字的（不为空），则这应该是一个被pdf强行换行出来的
            text = text.replaceAll("\\\\r\\\\n\\\\s","Jacck");  //这里的Jacck最好换成一个更复杂的文本，作为中间替换物存在尽量在中间转化过程中和文档中没有任何匹配
            text = text.replaceAll("\\\\s\\\\r\\\\n","Jacck");
            text = text.replaceAll("\\\\n|\\\\r","");       //处理掉被强行加上来的回车换行符
            text = text.replaceAll("Jacck","\\r\\n");

            return text;
//            stripper.writeText(document, output);
        }catch(Exception e){
            e.printStackTrace();
        }finally{
            if(document != null){
                document.close();
            }
        }
        return "";
    }

 

 

之后再python中使用pdfminer也实现了同样的消除pdf大量换行问题，替换核心代码如下,不同的是python三方包在处理pdf后换行不是\\r\\n而是\\n

re是python中的正则表达式，transfered_str是pdf处理后的字符串，与上边java中用的思想一样。

transfered_str = re.sub(r\'\\n\\s\', \'Jacck\', transfered_str)
transfered_str = re.sub(r\'\\s\\n\', \'Jacck\', transfered_str)
transfered_str = re.sub(r\'\\n|\\r\', \'\', transfered_str)
transfered_str = re.sub(r\'\\s{4,}\', \'\\n\', transfered_str)
transfered_str = re.sub(r\'Jacck\',\'\\n\',transfered_str