如何使用 Java 读取 PDF 文件？ [关闭]

Posted 2023-02-24

【中文标题】如何使用 Java 读取 PDF 文件？ [关闭]

【英文标题】：How to read PDF files using Java? [closed]

【发布时间】：2011-06-14 15:56:55

【问题描述】：

我想使用 Java 从 PDF 文件中读取一些文本数据。我该怎么做？

【参考方案1】：

使用 Apache PDFBox 它是这样的：

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();

【讨论】：

导入这些：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;

【参考方案2】：

PDFBox 包含tools for text extraction。

iText 对文本操作有更多底层支持，但您必须编写大量代码才能提取文本。

iText in Action 很好地概述了从 PDF 中提取文本的限制，无论使用何种库（第 18.2 节：提取和编辑文本），并令人信服地解释了为什么该库不支持文本提取。简而言之，编写处理简单案例的代码相对容易，但一般情况下，从 PDF 中提取文本基本上是不可能的。

【参考方案3】：

PDFBox 是我为此目的找到的最好的库，如果您只是进行基本的文本提取，它非常全面且非常易于使用。例子可以在here找到。

它在页面上进行了解释，但需要注意的一点是，使用 setStartPage() 和 setEndPage() 时的开始和结束索引都包含。我第一次跳过了那个解释，然后我花了一段时间才意识到为什么每次通话我都会得到不止一页！

Itext 是另一种也适用于 C# 的替代方案，尽管我个人从未使用过它。它比 PDFBox 级别更低，因此如果您只需要基本的文本提取，则不太适合该工作。