Pdfbox 简明教程

PDFBox - Reading Text

在前一章中,我们已经了解如何向现有 PDF 文档中添加文本。在本章中,我们将讨论如何从现有 PDF 文档中读取文本。

Extracting Text from an Existing PDF Document

提取文本是 PDF 框库的主要功能。您可以使用 PDFTextStripper 类中的 getText() 方法提取文本。此类从给定的 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。

Step 1: Loading an Existing PDF Document

使用 PDDocument 类的静态方法 load() 加载现有 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,您可使用类名调用它,如下所示:

File file = new File("path of the document")
PDDocument document = PDDocument.load(file);

Step 2: Instantiate the PDFTextStripper Class

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

PDFTextStripper pdfStripper = new PDFTextStripper();

Step 3: Retrieving the Text

您可以使用 PDFTextStripper 类中的 getText() 方法从 PDF 文档中读取/检索页面内容。对于此方法,您需要传递文档对象作为参数。此方法检索给定文档中的文本,并以字符串对象的形式返回它。

String text = pdfStripper.getText(document);

Step 4: Closing the Document

最后,使用 PDDocument 类的 close() 方法关闭文档,如下所示。

document.close();

Example

假设我们有一个 PDF 文档,其中包含一些文本,如下所示。

example pdf

此示例演示如何从上述 PDF 文档中读取文本。在此,我们将创建一个 Java 程序,并加载名为 new.pdf 的 PDF 文档,该文档保存在 C:/PdfBox_Examples/ 路径中。将此代码保存在名为 ReadingText.java 的文件中。

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("C:/PdfBox_Examples/new.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();

   }
}

使用以下命令从命令提示符处编译并执行已保存的 Java 文件。

javac ReadingText.java
java ReadingText

在执行时,上述程序检索给定 PDF 文档中的文本,并按如下所示显示它。

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.