概述
一般来说，我们无法对PDF文档格式的内容进行修改编辑，但当我们确有此需求时，可通过提取文本内容的方式来实现。本文就将介绍如何通过Java代码来提取PDF文档中的文本内容。
此教程用到的第三方控件是Free Spire.PDF for Java（免费版）。根据不同需求，它可以支持以下三方面的提取功能。
● 提取PDF文档中的所有文本内容
● 提取PDF指定页面的文本内容
● 提取PDF指定区域的文本内容
Jar包的获取及导入
在运行代码前，需将Free Spire.PDF for Java控件中的Jar包导入IDEA中。导入方式有两种：其一，在官网上下载产品包，解压后将lib文件夹下的Spire.Pdf.jar手动导入IDEA；其二，在IDEA中创建一个Maven项目，然后在pom.xml文件中键入以下代码，最后点击“Import Changes”即可。
<repositories>
<repository>
<id>com.e-iceblue</id>
<url>http://repo.e-iceblue.cn/repository/maven-public/</url>
</repository>
</repositories>
<dependencies>
<dependency>
<groupId>e-iceblue</groupId>
<artifactId>spire.pdf.free</artifactId>
<version>3.9.0</version>
</dependency>
</dependencies>
示例代码
示例1 提取PDF文档中的所有文本内容
import com.spire.pdf.PdfDocument;
import com.spire.pdf.PdfPageBase;
import java.io.*;
public class ExtractAllText {
public static void main(String[] args) {
//创建PdfDocument实例
PdfDocument doc=new PdfDocument();
//加载PDF文档
doc.loadFromFile("C:\\Users\\Test1\\Desktop\\Sample.pdf");
//创建StringBuilder实例
StringBuilder sb=new StringBuilder();
PdfPageBase page;
//遍历PDF页面，获取每个页面的文本并添加到StringBuilder对象
for(int i=0;i
page=doc.getPages().get(i);
sb.append(page.extractText(true));
}
FileWriter writer;
try {
//将StringBuilder对象中的文本写入到文本文件
writer = new FileWriter("output/ExtractText.txt");
writer.write(sb.toString());
writer.flush();
} catch (IOExceptione) {
e.printStackTrace();
}
doc.close();
}
}
提取效果：
示例2 提取PDF指定页面的文本内容
import com.spire.pdf.*;
import java.io.BufferedWriter;
import java.io.File;
import java.io.FileWriter;
import java.io.IOException;
public class ExtractTextFromParticularPage {
public static void main(String[] args) throws IOException{
//加载PDF文档
PdfDocument pdf = new PdfDocument();
pdf.loadFromFile("C:\\Users\\Test1\\Desktop\\Sample.pdf");
//创建.txt文件，用于保存提取的文本
String result = "output/extractTextFromAParticularPage.txt";
File file= new File(result);
if(!file.exists()){
file.delete();
}
file.createNewFile();
FileWriter fw= new FileWriter(file,true);
BufferedWriter bw= new BufferedWriter(fw);
//获取第一页的文本
PdfPageBase page = pdf.getPages().get(0);
String text = page.extractText(true);
//String text = page.extractText(false);
bw.write(text);
bw.flush();
bw.close();
fw.close();
}
}
提取效果：
示例3 提取PDF指定区域的文本内容
import com.spire.pdf.*;
import java.awt.geom.Rectangle2D;
import java.io.BufferedWriter;
import java.io.File;
import java.io.FileWriter;
import java.io.IOException;
public class ExtractTextFromSpecificArea {
public static void main(String[] args) throws IOException{
//加载PDF文档
PdfDocument pdf = new PdfDocument();
pdf.loadFromFile("C:\\Users\\Test1\\Desktop\\Sample.pdf");
//创建.txt文件，用于保存提取的文本
File file=new File("output/extractTextFromASpecificArea.txt");
if(!file.exists()){
file.delete();
}
file.createNewFile();
FileWriter fw= new FileWriter(file,true);
BufferedWriter bw= new BufferedWriter(fw);
//获取第一页
PdfPageBase page = pdf.getPages().get(0);
//提取第一页指定区域的文本
String text = page.extractText(new Rectangle2D.Float(80, 20,500, 110));
bw.write(text);
bw.flush();
bw.close();
fw.close();
}
}
提取效果：
