使用PDFBox处理PDF文档
1、使用PDFBox处理PDF文档
PDF全称Portable Document Format，是Adobe公司开发的电子文件格式。这种文件格式与操作系统平台无关，可以在Windows、Unix或Mac OS等操作系统上通用。
PDF文件格式将文字、字型、格式、颜色及独立于设备和分辨率的图形图像等封装在一个文件中。如果要抽取其中的文本信息，需要根据它的文件格式来进行解析。幸好目前已经有不少工具能帮助我们做这些事情。
2、PDFBox的下载最常见的一种PDF文本抽取工具就是PDFBox了，访问网址http://sourceforge.net/projects/pdfbox/，进入如图7-1所示的下载界面。读者可以在该网页下载其最新的版本。本书采用的是PDFBox-0.7.3版本。PDFBox是一个开源的Java PDF库，这个库允许你访问PDF文件的各项信息。在接下来的例子中，将演示如何使用PDFBox提供的API，从一个PDF文件中提取出文本信息。
3、在Eclipse中配置以下是在Eclipse中创建工程，并建立解析PDF文件的工具类的过程。
（1）在Eclipse的workspace中创建一个普通的Java工程：ch7。
（2）把下载的PDFBox-0.7.3.zip解压。
（3）进入external目录下，可以看到，这里包括了PDFBox所有用到的外部包。复制下面的Jar包到工程ch7的lib目录下（如还未建立lib目录，则先创建一个）。
l bcmail-jdk14-132.jar
l bcprov-jdk14-132.jar
l checkstyle-all-4.2.jar
l FontBox-0.1.0-dev.jar
l lucene-core-2.0.0.jar
然后再从PDFBox的lib目录下，复制PDFBox-0.7.3.jar到工程的lib目录下。
（4）在工程上单击右键，在弹出的快捷菜单中选择“Build Path->Config Build Path->Add Jars”命令，把工程lib目录下面的包都加入工程的Build Path。
4、使用PDFBox解析PDF内容在刚刚创建的Eclipse工程中，创建一个ch7.pdfbox包，并创建一个PdfboxTest类。该类包含一个getText方法，用于从一个PDF中获取文本信息，其代码如下。
import java.io.BufferedWriter;
import java.io.FileInputStream;
import java.io.FileWriter;
import org.pdfbox.pdfparser.PDFParser;
import org.pdfbox.util.PDFTextStripper;
public class PdfParser {
?? /**
?? * @param args
?? */
?? // TODO 自动生成方法存根
?? ??? public?? static?? void?? main(String[]?? args)?? throws?? Exception{
?? ???????? FileInputStream?? fis?? =?? new?? FileInputStream("F:\\task\\lerman-atem2001.pdf");
?? ???????? BufferedWriter writer = new BufferedWriter(new FileWriter("F:\\task\\pdf_change.txt"));
?? ???????? PDFParser?? p?? =?? new?? PDFParser(fis);
?? ???????? p.parse();????????
?? ???????? PDFTextStripper?? ts?? =?? new?? PDFTextStripper();????????
?? ???????? String?? s?? =?? ts.getText(p.getPDDocument());
?? ???????? writer.write(s);
?? ???????? System.out.println(s);
?? ???????? fis.close();
?? ???????? writer.close();
?? ??????
?? }
}
