PDFBox的使用——分页提取PDF文本

  1 package com.primeton.pdfbox;
  2 
  3 import java.io.File;
  4 import java.io.FileOutputStream;
  5 import java.io.OutputStreamWriter;
  6 import java.io.Writer;
  7 
  8 import org.apache.pdfbox.pdmodel.PDDocument;
  9 import org.apache.pdfbox.text.PDFTextStripper;
 10 
 11 
 12 /**
 13  * PDFBox解析PDF文本实现
 14  * @author MrChen
 15  *
 16  */
 17 
 18 public class PDFReader {
 19     /**
 20       * @param args
 21       */
 22      public static void main(String[] args) {
 23       // TODO Auto-generated method stub
 24       PDFReader pdfReader = new PDFReader();
 25       System.out.println("E:\\AndroidStudio.pdf");
 26       try {
 27            // 取得E盘下的SpringGuide.pdf的内容
 28            System.out.println("开始提取");
 29            File file = new File("E:\\AndroidStudio.pdf");
 30            System.out.println("文件绝对路径为："+file.getAbsolutePath());
 31            pdfReader.readFdf(file);
 32            System.out.println("提取结束");
 33       } catch (Exception e) {
 34            e.printStackTrace();
 35       }
 36      }
 37      
 38      public void readFdf(File pdfFile) throws Exception {
 39           // 是否排序
 40           boolean sort = false;
 41           // 输入文本文件名称
 42           String textFileName = null;
 43           // 编码方式
 44           String encoding = "UTF-8";
 45           // 开始提取页数
 46           int startPage = 1;
 47           // 结束提取页数
 48           int endPage = 3;
 49           // 文件输入流，生成文本文件
 50           Writer output = null;
 51           // 内存中存储的PDF Document
 52           PDDocument document = null;
 53           
 54           File outputFile = null;
 55           try {
 56          
 57                // 从本地装载文件
 58                //注意参数已不是以前版本中的URL.而是File。
 59                 System.out.println("开始装载文件"+pdfFile.getName());
 60                 document = PDDocument.load(pdfFile);
 61                 if (pdfFile.getName().length() > 4) {
 62                     textFileName = pdfFile.getName().substring(0, pdfFile.getName().length() - 4) + ".txt";
 63                     outputFile = new File(pdfFile.getParent(),textFileName);
 64                     System.out.println("新文件绝对路径为："+outputFile.getAbsolutePath());
 65                     
 66                  
 67                 }
 68                 System.out.println("装载文件结束");
 69  
 70            
 71                System.out.println("开始写到txt文件中");
 72                // 文件输入流，写入文件倒textFile
 73                output = new OutputStreamWriter(new FileOutputStream(outputFile),encoding);
 74                System.out.println("写入txt文件结束");
 75                // PDFTextStripper来提取文本
 76                PDFTextStripper stripper = null;
 77                stripper = new PDFTextStripper();
 78                // 设置是否排序
 79                stripper.setSortByPosition(sort);
 80                // 设置起始页
 81                stripper.setStartPage(startPage);
 82                // 设置结束页
 83                stripper.setEndPage(endPage);
 84                // 调用PDFTextStripper的writeText提取并输出文本
 85                System.out.println("开始调用writeText方法");
 86                stripper.writeText(document, output);
 87                System.out.println("调用writeText方法结束");
 88           }catch (Exception e) {
 89                e.printStackTrace();
 90           }finally {
 91               if (output != null) {
 92                     // 关闭输出流
 93                     output.close();
 94                }
 95                if (document != null) {
 96                 // 关闭PDF Document
 97                 document.close();
 98                }
 99           }
100      }
101 }