XPDF3.04抽取PDF中的中文文本

标签：

开发环境：Windows8.0 X64位          eclipse3.2

版本号：xpdfbin-win-3.04      xpdf-chinese-simplified.tar.gz

下载路径：ftp://ftp.foolabs.com/pub/xpdf/

操作步骤：

1. 下载xpdf和中文字体，分别解压缩。

2. 建立xpdf根目录 d:\xpdf，

   （1）并将xpdfbin-win-3.04\bin64目录下所有文件复制到 d:\xpdf 下。

   （2）将xpdf-chinese-simplified 整个文件夹复制到 d:\xpdf 下。

3. 复制 xpdfbin-win-3.04\doc 路径下的 sample-xpdfrc 文件到 d:\xpdf 下，并改名为 xpdfrc。

   （1）修改文件 xpdfrc 第73行，将 textEncoding UTF-8 注释打开，指定编码为UTF-8，

   （2）并在下面增加 textPageBreaks no 参数，意思是在pdf文档的两页间不加入分行符。 

   （3）在此文件最后增加以下内容，声明中文字体文件

4. #----- begin Chinese Simplified support package (2011-sep-02)
   cidToUnicode Adobe-GB1 D:/xpdf/xpdf-chinese-simplified/Adobe-GB1.cidToUnicode
   unicodeMap ISO-2022-CN D:/xpdf/xpdf-chinese-simplified/ISO-2022-CN.unicodeMap
   unicodeMap EUC-CN D:/xpdf/xpdf-chinese-simplified/EUC-CN.unicodeMap
   unicodeMap GBK D:/xpdf/xpdf-chinese-simplified/GBK.unicodeMap
   cMapDir Adobe-GB1 D:/xpdf/xpdf-chinese-simplified/CMap
   toUnicodeDir D:/xpdf/xpdf-chinese-simplified/CMap
   #displayCIDFontTT Adobe-GB1 D:/xpdf/xpdf-chinese-simplified/CMap/gkai00mp.ttf 
   #fontFileCC Adobe-GB1 /usr/..../gkai00mp.ttf
   #----- end Chinese Simplified support package

5. 实验代码

    

6. @Test
   public void xpdfParser(){
   
        try {
           cmd = "d:\\xpdf\\pdftotext.exe -enc UTF-8 -q D:\\datadir\\Web数据挖掘综述.pdf d:\\datadir\\pdftxtdir\\Web数据挖掘综述.txt ";
           Runtime.getRuntime().exec(cmd);
       } catch (IOException e) {
           e.printStackTrace();
       }
    }

   以上代码不完整，主要是xpdf路径设置可能会有问题，另外就是中文字库文件路径设置必须正确，否则导出的txt文件没有内容。

   若有不清楚的地方，或者发现问题，可回复我，多谢！

XPDF3.04抽取PDF中的中文文本

标签：

原文地址：http://my.oschina.net/sanping/blog/395740