有一个需求,需要提取PDF中表格的文本,项目是java环境,这个问题归属于"Java提取PDF文本"这一类。Java提取pdf文本的方法有很多,也有很多第三方库。丁老师使用的是Apache PDFBox,是Apache的第三方库,开源免费,功能强大,支持对PDF的创建、修改、加密、内容提取、图片解析等功能。
使用PDFBox提取PDF的方式如下:
一、添加Maven依赖
<dependency>
<groupId>org.apache.pdfbox</groupId>
<artifactId>pdfbox</artifactId>
<version>2.0.29</version>
</dependency>二、实现代码
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import java.io.File;
import java.io.IOException;
public class PDFTextExtractor {
/**
* 提取整个PDF文件的文本内容
* @param pdfFilePath PDF文件路径
* @return 提取到的文本内容
* @throws IOException 处理文件时可能出现的异常
*/
public static String extractAllText(String pdfFilePath) throws IOException {
//加载PDF文档
try (PDDocument document = PDDocument.load(new File(pdfFilePath))) {
//检查文档是否被加密
if (document.isEncrypted()) {
throw new IOException("PDF文档已加密,无法提取文本");
}
//创建PDFTextStripper实例
PDFTextStripper stripper = new PDFTextStripper();
//提取所有文本
return stripper.getText(document);
}
}
/**
* 提取PDF中指定页码范围的文本
* @param pdfFilePath PDF文件路径
* @param startPage 起始页码(从1开始)
* @param endPage 结束页码
* @return 提取到的文本内容
* @throws IOException 处理文件时可能出现的异常
*/
public static String extractTextByPageRange(String pdfFilePath, int startPage, int endPage) throws IOException {
try (PDDocument document = PDDocument.load(new File(pdfFilePath))) {
if (document.isEncrypted()) {
throw new IOException("PDF文档已加密,无法提取文本");
}
//验证页码范围
int totalPages = document.getNumberOfPages();
if (startPage < 1 || endPage > totalPages || startPage > endPage) {
throw new IllegalArgumentException("无效的页码范围,总页数: " + totalPages);
}
PDFTextStripper stripper = new PDFTextStripper();
//设置提取的页码范围
stripper.setStartPage(startPage);
stripper.setEndPage(endPage);
return stripper.getText(document);
}
}
public static void main(String[] args) {
String pdfPath = "example.pdf"; //替换为你的PDF文件路径
try {
//提取所有文本
String allText = extractAllText(pdfPath);
System.out.println("=== 所有文本内容 ===");
System.out.println(allText.substring(0, Math.min(allText.length(), 500))); // 只打印前500字符
//提取指定页码范围的文本(示例:第1-2页)
String pageRangeText = extractTextByPageRange(pdfPath, 1, 2);
System.out.println("\n=== 第1-2页文本 ===");
System.out.println(pageRangeText.substring(0, Math.min(pageRangeText.length(), 500)));
} catch (IOException e) {
System.err.println("提取文本失败: " + e.getMessage());
e.printStackTrace();
}
}
}三、代码说明
PDFTextStripper函数是PDFBox中专门用于提取文本的类,支持各种文本提取需求。
主要方法:
extractAllText():提取 PDF 中所有页面的文本
extractTextByPageRange():提取指定页码范围内的文本。
功能特点:
1.支持自动处理文本的排版和换行。
2.支持设置提取的页码范围。
3.会检查文档是否加密,加密文档需要先解密才能提取。
四、注意事项
1.对于由扫描生成的PDF,因为这个文件是扫描的图片格式,所以PDFTextStripper无法提取文本。对于图片类的文件,可以使用OCR(图片文字提取)类工具进行内容提取。
2.涉及复杂排版的PDF,如学术类文章、包含计算公式等,提取到的文本可能会出现顺序错乱的情况。
3.涉及较大文件提取时,可能会速度过慢并占用系统资源,可以使用分页提取,并在提取后释放资源。
4.某些特殊字体或加密的PDF无法直接提取,需要额外单独处理。
最近在使用IntelliJ IDEA开发时,突然发现有个文件,图标显示问号,这个文件也无法打开,无法编辑,是怎么回事呢?如图:经过研究发现,这是IDE无法判断此文件类型,从而将此文件根据文件内容设置为了未知类型,所以就无法打开。那么要解...
一、创建QQ机器人1.打开网址(https://q.qq.com/qqbot/openclaw/login.html),用手Q扫码登录。2.登录成功后,点击按钮“创建机器人”。3.创建后,会给出一个AppId和AppSecret,如图。...
windows11更新后,不管是桌面的右键,还是文件上点右键,都非常地别扭,而且也非常的卡顿。在网上找了一堆方法,都不管用,经过不懈努力,终于找到了真正能恢复经典版右键的方法。废话不多说,具体方法如下:1.以管理员方式运行CMD打开后,...
krpano全景图默认开启陀螺仪的方法
今天有同学在群里提问,在使用photoshop编辑文字时,经常会弹出一个文字选择的面板如图:这时文字也无法输入,也无法取消和关闭,很是烦人,怎么取消这个功能呢?经过丁老师研究,方法很简单:1.打开photoshop菜单-编辑2.选择首选项-...
普通账号个人认证号企业认证号蓝色认证标识薯条推广聚光平台效果广告普通应商业合作以KOL/KOC身份和品牌合作以品牌方身份发起起合作开设店铺个人店铺或个体户(不支持港澳台公司申请)旗舰店店或专卖店(支持港澳台公司申请)主动私信每天10位陌生用...
经常有一些小伙伴咨询丁老师,他们有需要在线直播和观看的需求,比如云课、空中宣讲、企业车间生产直播、内部讲座、医学直播、学术会议、在线培训等场景。但是因为行业性质,不是那种提供公开的网络观看,而是仅针对指定人群使用,因此不想使用企鹅会议、X音...
fontawesome所有图标class类名单,适用于4.7.0版本。总计有593个图标class类(包含别名):fa-500pxfa-address-bookfa-address-book-ofa-address-cardfa-addre...