免费注册 查看新帖 |

Chinaunix

  平台 论坛 博客 文库
最近访问板块 发新帖
查看: 13700 | 回复: 2

使用PDFBox处理PDF文档 [复制链接]

论坛徽章:
0
发表于 2008-06-24 14:25 |显示全部楼层
本文转自:
http://blog.csdn.net/nickshen3/archive/2007/07/06/1681169.aspx


在本书的前面所介绍的内容中,所处理的都是纯文 本文件。但是事实上,人们用于保存信息的文件并不是纯文本格式。现在比较流行的文件存储格式有Adobe公司的PDF和Microsoft的Word、 Excel等。在处理这些文件的时候,不能简单的从文件读取字符,需要根据他们特殊的格式提取内容。本章就将对比较流行的PDF、Word和Excel格 式的处理工具逐一进行介绍。
7.1  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。
7.1.1  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。

图7-1  PDFBox的下载页面
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。
7.1.2  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,解压后的目录结构如图7-2所示。

图7-2  解压后的PDFBox包
(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。笔者机器上完整的工程目录如图7-3所示:

图7-3  工程截图
7.1.3  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。
代码7.1
public void geText(String file) throws Exception {
// 是否排序
   boolean sort = false;
// pdf文件名
   String pdfFile = file;
// 输入文本文件名称
   String textFile = null;
// 编码方式
   String encoding = "UTF-8";
// 开始提取页数
   int startPage = 1;
// 结束提取页数
   int endPage = Integer.MAX_VALUE;
// 文件输入流,生成文本文件
   Writer output = null;
// 内存中存储的PDF Document
   PDDocument document = null;
try {
      try {
         // 首先当作一个URL来装载文件,如果得到异常再从本地文件系统//去装载文件
         URL url = new URL(pdfFile);
         document = PDDocument.load(url);
         // 获取PDF的文件名
         String fileName = url.getFile();
         
// 以原来PDF的名称来命名新产生的txt文件
         if (fileName.length() > 4) {
            File outputFile = new File(fileName.substring(0, fileName.length() - 4) + ".txt");
            textFile = outputFile.getName();
         }
      } catch (MalformedURLException e) {
         
// 如果作为URL装载得到异常则从文件系统装载
         document = PDDocument.load(pdfFile);
         if (pdfFile.length() > 4) {
            textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";
         }
      }
      // 文件输入流,写入文件倒textFile
      output = new OutputStreamWriter(new FileOutputStream(textFile), encoding);
      // PDFTextStripper来提取文本
      PDFTextStripper stripper = null;
      stripper = new PDFTextStripper();
// 设置是否排序
      stripper.setSortByPosition(sort);
// 设置起始页
      stripper.setStartPage(startPage);
// 设置结束页
      stripper.setEndPage(endPage);
// 调用PDFTextStripper的writeText提取并输出文本
      stripper.writeText(document, output);
   } finally {
      if (output != null) {
         // 关闭输出流
         output.close();
      }
      if (document != null) {
         // 关闭PDF Document
         document.close();
      }
   }
}
在上面的代码中,getText方法接收一个 String类型的参数,指定要提取的PDF文件路径。这个位置可以是一个URL或本地文件。然后函数调用PDFBox提供的 PDFTextStripper类,设置提取过程中的一些属性(如起始页、是否排序等)。最后将文本提取并写入文件。
7.1.4  运行效果
下面看一下这个函数的运行效果,在PdfboxTest加入一个main函数,其代码如下。
public static void main(String[] args) {
   PdfboxTest test = new PdfboxTest();
   try {
      // 取得C盘下的index.pdf的内容
      test.geText("C:\\index.pdf");
   } catch (Exception e) {
      e.printStackTrace();
   }
}
这里要处理一个index.pdf文件,该PDF文件的内容如图7-4所示。

图7-4  要解析的PDF文档内容
通过PdfboxTest处理后的文本文件如图7-5所示。

图7-5  处理的结果
可以看到,PDF中的文本已经被提取出来,保存于文本文件中了。其中第4行的超链接部分“POI News WebBlog”,在文本文件中已经被替换成了普通的纯文本。读者可以根据PDFBox所提供的API文档进一步查询其他功能。
7.1.5  与Lucene的集成
PDFBox还提供和Lucene的集成,它提供了一套简单的方法把PDF Documents加入到Lucene的索引中去,请看以下代码:
Document lucenedocument = LucenePDFDocument.getDocument(…);
其中,LucenePDFDocument是 PDFBox中提供的一个类,它的getDocument被重载为3个方法,分别接收一个File对象、InputStream对象或者URL对象作为参 数,然后从该参数传递进来的PDF文件中,提取并生成Lucene的Document对象。
当通过PDFBox从一个PDF文档中得到一个 Lucene Document后,可以直接使用IndexWriter把它加到Lucene的index中。LucenePDFDocument自动从PDF文件中提 取各种元数据Field,并把它们加入到Document中。它提取的信息如表7-1所示。
表7-1  PDFBox生成的Lucene Document格式
Lucene Field名称
说明
path
文件系统路径(如果文档是从文件装载)
url
URL地址(如果文档是从网络装载)
contents
整个Document的内容,索引但不存储
summary
Document的内容前500个字符
modified
最后修改时间
uid
Document的惟一ID
CreationDate
从PDF的meta-data获取
Creator
从PDF的meta-data获取
Keywords
从PDF的meta-data获取
ModificationDate
从PDF的meta-data获取
Producer
从PDF的meta-data获取
Subject
从PDF的meta-data获取
Trapped
从PDF的meta-data获取
下面通过LucenePDFDocument,直接对PDF建立索引,在ch7.pdfbox包下面新建一个PdfLuceneTest类,该类的代码如下。
代码7.2
public class PdfLuceneTest {
    public static void main(String[] args) {
        try {
            // IndexWriter存放索引到d:\index下
            IndexWriter writer = new IndexWriter("d:\\index",
                    new StandardAnalyzer(), true);
            // LucenePDFDocument返回由PDF产生的Lucene Docuement
            Document d = LucenePDFDocument
                    .getDocument(new File("C:\\index.pdf"));
            // 写入索引
            writer.addDocument(d);
            // 关闭索引文件流
            writer.close();
            // 读取d:\index下的索引文件建立IndexSearcher
            IndexSearcher searcher = new IndexSearcher("d:\\index");
            // 对索引的contents Field进行查找关键词poi
            Term t = new Term("contents", "poi");
            // 根据Term生成Query
            Query q = new TermQuery(t);
            // 搜索返回结果集
            Hits hits = searcher.search(q);
            // 打印结果集
            for (int i = 0; i                 System.out.println(hits.doc(i));
            }
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}
函数利用LucenePDFDocument的 getDocument函数,从一个PDF文件直接返回一个Lucene的Document,其中包含有path、url、modified、 contents、summary等Field,把它们直接写入index,然后创建一个IndexSearcher,对contents字段经行检索, 查找关键词“poi”(注意必须是小写),程序的执行结果如图7-6所示。

图7-6  搜索代码的运行结果


本文来自ChinaUnix博客,如果查看原文请点:http://blog.chinaunix.net/u/8780/showart_1010100.html

论坛徽章:
0
发表于 2011-04-30 00:48 |显示全部楼层
这个比较难懂,先收藏了,慢慢研究。

论坛徽章:
0
发表于 2011-07-20 15:28 |显示全部楼层
有些pdf是设定权限的,比如不能复制什么的。。。。,这对PDFbox会有影响么?还有中文
有时间我也试试!!!
您需要登录后才可以回帖 登录 | 注册

本版积分规则 发表回复

DTCC2020中国数据库技术大会

【架构革新 高效可控】2020年12月21日-23日第十一届中国数据库技术大会将在北京隆重召开。

大会设置2大主会场,20+技术专场,将邀请超百位行业专家,重点围绕数据架构、AI与大数据、传统企业数据库实践和国产开源数据库等内容展开分享和探讨,为广大数据领域从业人士提供一场年度盛会和交流平台。

http://dtcc.it168.com


大会官网>>
  

北京盛拓优讯信息技术有限公司. 版权所有 16024965号-6 北京市公安局海淀分局网监中心备案编号:11010802020122
中国互联网协会会员  联系我们:huangweiwei@it168.com
感谢所有关心和支持过ChinaUnix的朋友们 转载本站内容请注明原作者名及出处

清除 Cookies - ChinaUnix - Archiver - WAP - TOP