PDFBox读取文档

精华

小牛编辑

225浏览

2023-03-14

在前一章中，我们已经学习了如何将文本添加到现有的PDF文档。在本章中，我们将学习如何从现有PDF文档中读取文本。

从现有的PDF文档中提取文本

提取文本是PDFBox的主要功能之一。可以使用PDFTextStripper类的getText()方法提取文本。这个类从给定的PDF文档中提取所有文本。

以下是从现有PDF文档中提取文本的步骤。

第1步:加载现有的PDF文档

使用PDDocument类的静态方法load()加载现有的PDF文档。此方法接受一个文件对象作为参数，因为这是一个静态方法，可以使用类名称调用它，如下所示。

File file = new File("path_of_the_document"); 
PDDocument document = PDDocument.load(file);

第2步:实例化PDFTextStripper类

PDFTextStripper类提供了从PDF文档中检索文本的方法，因此，请按如下所示实例化此类。

PDFTextStripper pdfStripper = new PDFTextStripper();

第3步:检索文本

使用PDFTextStripper类的getText()方法从PDF文档读取/检索页面的内容。对于此方法，需要将文档对象作为参数传递。此方法检索给定文档中的文本并以String对象的形式返回。

String text = pdfStripper.getText(document);

第4步:关闭文档

最后，使用PDDocument类的close()方法关闭文档，如下所示。

document.close();

示例

假设有一个PDF文档(new-mul-doc.pdf)，其中包含一些文本，如下所示。

此示例演示如何从上述PDF文档中读取文本。在这里，将创建一个Java程序并加载一个PDF文档:new-mul-doc.pdf，该文档保存在目录:F:\worksp\pdfbox 中。将此代码保存在名称为ReadingText.java的文件中。

package com.yiibai;

import java.io.File;
import java.io.IOException;

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
public class ReadingText {

   public static void main(String args[]) throws IOException {

      //Loading an existing document
      File file = new File("F:\\worksp\\pdfbox\\new-mul-doc.pdf");
      PDDocument document = PDDocument.load(file);

      //Instantiate PDFTextStripper class
      PDFTextStripper pdfStripper = new PDFTextStripper();

      //Retrieving text from PDF document
      String text = pdfStripper.getText(document);
      System.out.println(text);

      //Closing the document
      document.close();

   }
}

执行上面示例代码，得到以下结果 -

This is an example of adding text to a page in the pdf document. we can add as many lines
as we want like this using the ShowText()  method of the ContentStream class