（8）PDFBOX读取PDF（元数据、纲要、文本、图片）

爱被打了一巴掌 2022-07-25 15:44 923阅读 0赞

PDFBox是Java实现的PDF文档协作类库，提供PDF文档的创建、处理以及文档内容提取功能，也包含了一些命令行实用工具。其主要特性包括：  
1、提取PDF文件的Unicode文本  
2、将PDF切分成多个PDF文件或合并多个PDF文件  
3、从PDF表格中提取数据或填写PDF表格  
4、验证PDF文件是否符合PDF/A-1b标准  
5、使用标准的java API打印PDF文件  
6、将PDF文件保存为图像文件，如PNG、JPEG  
7、创建一个PDF文件，包含嵌入的字体和图像  
8、PDF文件进行数字签名，即对PDF 文档进行加密与解密

import java.io.FileInputStream;
    import java.io.FileNotFoundException;
    import java.io.FileOutputStream;
    import java.io.IOException;
    import java.io.OutputStreamWriter;
    import java.io.Writer;
    import java.text.SimpleDateFormat;
    import java.util.Calendar;
    import java.util.List;
    import java.util.Map;
    import java.util.logging.Level;
    import java.util.logging.Logger;
    import org.apache.pdfbox.pdfparser.PDFParser;
    import org.apache.pdfbox.pdmodel.PDDocument;
    import org.apache.pdfbox.pdmodel.PDDocumentCatalog;
    import org.apache.pdfbox.pdmodel.PDDocumentInformation;
    import org.apache.pdfbox.pdmodel.PDPage;
    import org.apache.pdfbox.pdmodel.PDResources;
    import org.apache.pdfbox.pdmodel.graphics.xobject.PDXObjectImage;
    import org.apache.pdfbox.pdmodel.interactive.documentnavigation.outline.PDDocumentOutline;
    import org.apache.pdfbox.pdmodel.interactive.documentnavigation.outline.PDOutlineItem;
    import org.apache.pdfbox.util.PDFTextStripper;
    import static readPDFContent.PDFParse.dateFormat;
    
    /** * * @author Angela */
    public class PDFReader { 
    
        /** * 获取格式化后的时间信息 * @param calendar 时间信息 * @return */  
        public static String dateFormat( Calendar calendar ){  
            if( null == calendar )  
                return null;  
            String date = null;    
            String pattern = "yyyy-MM-dd HH:mm:ss";  
            SimpleDateFormat format = new SimpleDateFormat( pattern );  
            date = format.format( calendar.getTime() );  
            return date == null ? "" : date;  
        }  
    
            /**打印纲要**/
        public static void getPDFOutline(String file){
            try {  
                //打开pdf文件流
                FileInputStream fis = new   FileInputStream(file);
                //加载 pdf 文档,获取PDDocument文档对象
                PDDocument document=PDDocument.load(fis);
                //获取PDDocumentCatalog文档目录对象
                PDDocumentCatalog catalog=document.getDocumentCatalog();
                //获取PDDocumentOutline文档纲要对象
                PDDocumentOutline outline=catalog.getDocumentOutline();
                //获取第一个纲要条目（标题1）
                PDOutlineItem item=outline.getFirstChild();
                if(outline!=null){
                    //遍历每一个标题1
                    while(item!=null){
                        //打印标题1的文本
                        System.out.println("Item:"+item.getTitle());
                        //获取标题1下的第一个子标题（标题2）
                        PDOutlineItem child=item.getFirstChild(); 
                        //遍历每一个标题2
                        while(child!=null){
                            //打印标题2的文本
                            System.out.println(" Child:"+child.getTitle());
                            //指向下一个标题2
                            child=child.getNextSibling();
                        }
                        //指向下一个标题1
                        item=item.getNextSibling();
                    }
                }
                //关闭输入流
                document.close();
                fis.close();
            } catch (FileNotFoundException ex) {
                Logger.getLogger(PDFBOXReader.class.getName()).log(Level.SEVERE, null, ex);
            } catch (IOException ex) {
                Logger.getLogger(PDFBOXReader.class.getName()).log(Level.SEVERE, null, ex);
            } 
        }
    
        /**打印一级目录**/
        public static void getPDFCatalog(String file){
            try {  
                //打开pdf文件流
                FileInputStream fis = new   FileInputStream(file);
                //加载 pdf 文档,获取PDDocument文档对象
                PDDocument document=PDDocument.load(fis);
                //获取PDDocumentCatalog文档目录对象
                PDDocumentCatalog catalog=document.getDocumentCatalog();
                //获取PDDocumentOutline文档纲要对象
                PDDocumentOutline outline=catalog.getDocumentOutline();
                //获取第一个纲要条目（标题1）
                if(outline!=null){
                    PDOutlineItem item=outline.getFirstChild();
                    //遍历每一个标题1
                    while(item!=null){
                        //打印标题1的文本
                        System.out.println("Item:"+item.getTitle());               
                        //指向下一个标题1
                        item=item.getNextSibling();
                    }
                }
                //关闭输入流
                document.close();
                fis.close();
            } catch (FileNotFoundException ex) {
                Logger.getLogger(PDFBOXReader.class.getName()).log(Level.SEVERE, null, ex);
            } catch (IOException ex) {
                Logger.getLogger(PDFBOXReader.class.getName()).log(Level.SEVERE, null, ex);
            } 
        }
    
        /**获取PDF文档元数据**/
        public static void getPDFInformation(String file){
            try {  
                //打开pdf文件流
                FileInputStream fis = new   FileInputStream(file);
                //加载 pdf 文档,获取PDDocument文档对象
                PDDocument document=PDDocument.load(fis);
                /** 文档属性信息 **/  
                PDDocumentInformation info = document.getDocumentInformation(); 
    
                System.out.println("页数:"+document.getNumberOfPages());
    
                System.out.println( "标题:" + info.getTitle() );  
                System.out.println( "主题:" + info.getSubject() );  
                System.out.println( "作者:" + info.getAuthor() );  
                System.out.println( "关键字:" + info.getKeywords() );             
    
                System.out.println( "应用程序:" + info.getCreator() );  
                System.out.println( "pdf 制作程序:" + info.getProducer() );  
    
                System.out.println( "Trapped:" + info.getTrapped() );  
    
                System.out.println( "创建时间:" + dateFormat( info.getCreationDate() ));  
                System.out.println( "修改时间:" + dateFormat( info.getModificationDate()));  
    
                //关闭输入流
                document.close();
                fis.close();
            } catch (FileNotFoundException ex) {
                Logger.getLogger(PDFReader.class.getName()).log(Level.SEVERE, null, ex);
            } catch (IOException ex) {
                Logger.getLogger(PDFReader.class.getName()).log(Level.SEVERE, null, ex);
            } 
        }
    
        /**提取pdf文本**/
        public static void extractTXT(String file){
            try{
                //打开pdf文件流
                FileInputStream fis = new   FileInputStream(file);
                //实例化一个PDF解析器
                PDFParser parser = new PDFParser(fis);
                //解析pdf文档
                parser.parse();
                //获取PDDocument文档对象
                PDDocument document=parser.getPDDocument();
                //获取一个PDFTextStripper文本剥离对象 
                PDFTextStripper stripper = new PDFTextStripper();
                //获取文本内容
                String content = stripper.getText(document); 
                //打印内容
                System.out.println( "内容:" + content );   
                document.close();
                fis.close();
            } catch (FileNotFoundException ex) {
                Logger.getLogger(PDFReader.class.getName()).log(Level.SEVERE, null, ex);
            } catch (IOException ex) {
                Logger.getLogger(PDFReader.class.getName()).log(Level.SEVERE, null, ex);
            }
        }
    
        /** * 提取部分页面文本 * @param file pdf文档路径 * @param startPage 开始页数 * @param endPage 结束页数 */
        public static void extractTXT(String file,int startPage,int endPage){
            try{
                //打开pdf文件流
                FileInputStream fis = new   FileInputStream(file);
                //实例化一个PDF解析器
                PDFParser parser = new PDFParser(fis);
                //解析pdf文档
                parser.parse();
                //获取PDDocument文档对象
                PDDocument document=parser.getPDDocument();
                //获取一个PDFTextStripper文本剥离对象 
                PDFTextStripper stripper = new PDFTextStripper();
                // 设置起始页
                stripper.setStartPage(startPage);
                // 设置结束页
                stripper.setEndPage(endPage);
                //获取文本内容
                String content = stripper.getText(document); 
                //打印内容
                System.out.println( "内容:" + content );   
                document.close();
                fis.close();
            } catch (FileNotFoundException ex) {
                Logger.getLogger(PDFReader.class.getName()).log(Level.SEVERE, null, ex);
            } catch (IOException ex) {
                Logger.getLogger(PDFReader.class.getName()).log(Level.SEVERE, null, ex);
            }
        }
    
        /** * 提取图片并保存 * @param file PDF文档路径 * @param imgSavePath 图片保存路径 */
        public static void extractImage(String file,String imgSavePath){
            try{
                //打开pdf文件流
                FileInputStream fis = new   FileInputStream(file);
                //加载 pdf 文档,获取PDDocument文档对象
                PDDocument document=PDDocument.load(fis);           
                /** 文档页面信息 **/  
                //获取PDDocumentCatalog文档目录对象
                PDDocumentCatalog catalog = document.getDocumentCatalog();
                //获取文档页面PDPage列表
                List pages = catalog.getAllPages();  
                int count = 1;  
                int pageNum=pages.size();   //文档页数
                //遍历每一页
                for( int i = 0; i < pageNum; i++ ){  
                    //取得第i页
                    PDPage page = ( PDPage ) pages.get( i ); 
                    if( null != page ){  
                        PDResources resource = page.findResources();                      
                        //获取页面图片信息 
                        Map<String,PDXObjectImage> imgs = resource.getImages();                    
                        for(Map.Entry<String,PDXObjectImage> me: imgs.entrySet()){
                            //System.out.println(me.getKey());
                            PDXObjectImage img = me.getValue();  
                            //保存图片，会自动添加图片后缀类型
                            img.write2file( imgSavePath + count );  
                            count++;  
                        }  
                    }  
                }  
                document.close();
                fis.close();
            } catch (FileNotFoundException ex) {
                Logger.getLogger(PDFReader.class.getName()).log(Level.SEVERE, null, ex);
            } catch (IOException ex) {
                Logger.getLogger(PDFReader.class.getName()).log(Level.SEVERE, null, ex);
            }
        }
    
        /** * 提取文本并保存 * @param file PDF文档路径 * @param savePath 文本保存路径 */
        public static void extractTXT(String file,String savePath){
            try{
                //打开pdf文件流
                FileInputStream fis = new   FileInputStream(file);
                //实例化一个PDF解析器
                PDFParser parser = new PDFParser(fis);
                //解析pdf文档
                parser.parse();
                //获取PDDocument文档对象
                PDDocument document=parser.getPDDocument();
                //获取一个PDFTextStripper文本剥离对象 
                PDFTextStripper stripper = new PDFTextStripper();
                //创建一个输出流
                Writer writer=new OutputStreamWriter(new FileOutputStream(savePath));
                //保存文本内容
                stripper.writeText(document, writer);             
                //关闭输出流
                writer.close();
                //关闭输入流
                document.close();
                fis.close();
            } catch (FileNotFoundException ex) {
                Logger.getLogger(PDFReader.class.getName()).log(Level.SEVERE, null, ex);
            } catch (IOException ex) {
                Logger.getLogger(PDFReader.class.getName()).log(Level.SEVERE, null, ex);
            }
        }
    
        /** * 提取部分页面文本并保存 * @param file PDF文档路径 * @param startPage 开始页数 * @param endPage 结束页数 * @param savePath 文本保存路径 */
        public static void extractTXT(String file,int startPage,
                int endPage,String savePath){
            try{
                //打开pdf文件流
                FileInputStream fis = new   FileInputStream(file);
                //实例化一个PDF解析器
                PDFParser parser = new PDFParser(fis);
                //解析pdf文档
                parser.parse();
                //获取PDDocument文档对象
                PDDocument document=parser.getPDDocument();
                //获取一个PDFTextStripper文本剥离对象 
                PDFTextStripper stripper = new PDFTextStripper();
                //创建一个输出流
                Writer writer=new OutputStreamWriter(new FileOutputStream(savePath));
                // 设置起始页
                stripper.setStartPage(startPage);
                // 设置结束页
                stripper.setEndPage(endPage);
                //保存文本内容
                stripper.writeText(document, writer);             
                //关闭输出流
                writer.close();
                //关闭输入流
                document.close();
                fis.close();
            } catch (FileNotFoundException ex) {
                Logger.getLogger(PDFReader.class.getName()).log(Level.SEVERE, null, ex);
            } catch (IOException ex) {
                Logger.getLogger(PDFReader.class.getName()).log(Level.SEVERE, null, ex);
            }
        }
    
        public static void main(String args[]){
            String file="F:\\pdf\\2013\\000608_阳光股份_2013年年度报告(更新后)_1.pdf";
            String savePath="E:\\result1.txt";
            long startTime=System.currentTimeMillis();
            extractTXT(file,savePath);
            long endTime=System.currentTimeMillis();
            System.out.println("读写所用时间为："+(endTime-startTime)+"ms");
        }
    
    }

注意：加密的pdf文档上面的程序读不了，无法解析的pdf文档会报异常，印刷版和图片式的pdf文档无法提取出文本，无法解析。