（10）XPDF读取文本

Bertha 。 2022-07-25 15:52 221阅读 0赞

XPDF是一个软件，我们可以通过XPDF抽取PDF中的文本。然而要利用XPDF提取中文文本，需要对其进行一些修改和配置。  
1、下载XPDF，下载地址： [ftp://ftp.foolabs.com/pub/xpdf/xpdf-3.02pl4-win32.zip][ftp_ftp.foolabs.com_pub_xpdf_xpdf-3.02pl4-win32.zip]  
2、下载字体Gbsn00lp.ttf和gkai00mp.ttf，下载地址：  
[ftp://ftp.foolabs.com/pub/xpdf/xpdf-chinese-simplified.tar.gz][ftp_ftp.foolabs.com_pub_xpdf_xpdf-chinese-simplified.tar.gz]  
3、解压XPDF和字体，将字体放到xpdf/chinese-simplified/CMap目录下  
4、为了启用中文简体语言包，您必须将xpdf目录下的sample-xpdfrc文件另存为xpdfrc文件。  
注意：此文件为配置文件，而且名称必须是xpdfrc。如果是别的名字，即使调用pdftotext.exe时，传入”-cfg xpdfrc2”来告诉xpdf配置文件的名字，好像pdftotext.exe也并没有使用这个配置文件。所以为了减少误解，请您将配置文件直接命名为xpdfrc。  
5、修改add-to-xpdfrc文件中的地址 ，将路径该为本机安装路径

#----- begin Chinese Simplified support package (2004-jul-27) 
    cidToUnicode Adobe-GB1 E:/Study/Flex/xpdf-chinese-simplified/xpdf/chinese-simplified/Adobe-GB1.cidToUnicode  
    unicodeMap ISO-2022-CN E:/Study/Flex/xpdf-chinese-simplified/xpdf/chinese-simplified/ISO-2022-CN.unicodeMap  
    unicodeMap EUC-CN  E:/Study/Flex/xpdf-chinese-simplified/xpdf/chinese-simplified/EUC-CN.unicodeMap  
    unicodeMap GBK  E:/Study/Flex/xpdf-chinese-simplified/xpdf/chinese-simplified/GBK.unicodeMap  
    cMapDir  Adobe-GB1 E:/Study/Flex/xpdf-chinese-simplified/xpdf/chinese-simplified/CMap  
    toUnicodeDir   E:/Study/Flex/xpdf-chinese-simplified/xpdf/chinese-simplified/CMap  
    displayCIDFontTT    Adobe-GB1   E:/Study/Flex/xpdf-chinese-simplified/xpdf/chinese-simplified/CMap/gkai00mp.ttf  
    #----- end Chinese Simplified support package

6、修改xpdfrc文件 ，把地址修改为本机地址

cidToUnicode     Adobe-GB1  E:/Study/Flex/xpdf-chinese-simplified/xpdf/chinese-simplified/Adobe-GB1.cidToUnicode  
    unicodeMap ISO-2022-CN     E:/Study/Flex/xpdf-chinese-simplified/xpdf/chinese-simplified/ISO-2022-CN.unicodeMap  
    unicodeMap EUC-CN       E:/Study/Flex/xpdf-chinese-simplified/xpdf/chinese-simplified/EUC-CN.unicodeMap   
    unicodeMap GBK      E:/Study/Flex/xpdf-chinese-simplified/xpdf/chinese-simplified/GBK.unicodeMap  
    cMapDir      Adobe-GB1  E:/Study/Flex/xpdf-chinese-simplified/xpdf/chinese-simplified/CMap  
    toUnicodeDir                 E:/Study/Flex/xpdf-chinese-simplified/xpdf/chinese-simplified/CMap  
    displayCIDFontTT   Adobe-GB1  E:/Study/Flex/xpdf-chinese-simplified/xpdf/chinese-simplified/CMap/gkai00mp.ttf

注意Map文件的路径一定要正确。  
7、另外，配置文件中原先没有加上一个“textPageBreaks”控制。为了避免这个分页符号，  
我们需要在xpdfrc文件“text output control”下面加上这么一段话：

# If set to "yes", text extraction will insert page # breaks (form feed characters) between pages. This # defaults to "yes". textPageBreaks no

设置textPageBreaks为no的意思是：在PDF文档的两页之间不加入分页符号。  
之所以这样，是因为这个符号有时候会引起SAX解析XML上的困难。  
8、配置文件中原先把textEncoding注释了。这样默认的字符集是Latin1。  
我们必须打开它，并且就是指定textEncoding为UTF-8，而不是GB2312。

import java.io.BufferedInputStream;
    import java.io.File;
    import java.io.IOException;
    import java.io.InputStreamReader;
    import java.util.logging.Level;
    import java.util.logging.Logger;
    
    /** * * @author Angela */
    public class PDFToTXT { 
    
        /** * 读取pdf文本 * @param file pdf文件路径 * @param isLayout 是否维持原来布局 */
        public static void extractTXT(String file,boolean isLayout){
            // XPDF存放路径 
            String PATH_TO_XPDF=
                "E:\\JavaProject\\software\\xpdf\\bin64\\pdftotext.exe";
            File pdffile=new File(file);
            // PDF文件的绝对路径 
            String source_absolutePath = pdffile.getAbsolutePath();  
            // -表示不保存文本
            String target_absolutePath = "-";  
    
            //-layout表示保持原有的layout，-enc指定字符集，
            //-q设置不打印任何消息和错误，-nopgbrk指定不分页
    
            // 保持原来的layout 
            String layout = "-layout";  
            // 如果isLayout为false，则设置不保持原来的layout 
            if(!isLayout)   layout = "";
            // 设置编码方式 
            String encoding = "-enc";  
            String character = "UTF-8";  
            // 设置不打印任何消息和错误 
            String mistake = "-q";  
            // 页面之间不加入分页 
            String nopagebrk = "-nopgbrk"; 
    
            //命令行
            String[] cmd = new String[] { PATH_TO_XPDF, layout, encoding, character, 
                mistake, nopagebrk, source_absolutePath, target_absolutePath }; 
    
            try { 
                Process p = Runtime.getRuntime().exec(cmd);
                //获取控制台的输入流
                BufferedInputStream bis = new BufferedInputStream(p.getInputStream());           
                InputStreamReader reader = new InputStreamReader(bis, character);
                StringBuilder sb=new StringBuilder();
                char [] buf = new char[10000];
                int len;
                while((len = reader.read(buf))>= 0) {
                    sb.append(buf);
                }
                System.out.println(sb.toString());
                reader.close();
            } catch (IOException ex) {
                Logger.getLogger(PDFToTXT.class.getName()).log(Level.SEVERE, null, ex);
            }
        }
    
        /** * 保存pdf文本内容 * @param file pdf文件路径 * @param savePath 文本保存路径 * @param isLayout 是否维持原来布局 */
        public static void extractTXT(String file,String savePath,boolean isLayout){
            // XPDF存放路径 
            String PATH_TO_XPDF=
                "E:\\JavaProject\\software\\xpdf\\bin64\\pdftotext.exe";
            File pdffile=new File(file);
            // PDF文件的绝对路径 
            String source_absolutePath = pdffile.getAbsolutePath();  
            File targetfile=new File(savePath);
            // 输出文本文件的绝对路径 
            String target_absolutePath = targetfile.getAbsolutePath();  
            // 保持原来的layout 
            String layout = "-layout";  
            // 如果isLayout为false，则设置不保持原来的layout 
            if(!isLayout)   layout = "";
            // 设置编码方式 
            String encoding = "-enc";  
            String character = "UTF-8";  
            // 设置不打印任何消息和错误 
            String mistake = "-q";  
            // 页面之间不加入分页 
            String nopagebrk = "-nopgbrk"; 
    
            //命令行
            String[] cmd = new String[] { PATH_TO_XPDF, layout, encoding, character, 
                mistake, nopagebrk, source_absolutePath, target_absolutePath }; 
    
            try { 
                Runtime.getRuntime().exec(cmd);
            } catch (IOException ex) {
                Logger.getLogger(PDFToTXT.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:\\result4.txt";
            long startTime=System.currentTimeMillis();
            extractTXT(file,savePath,true);
            long endTime=System.currentTimeMillis();
            System.out.println("读写所用时间为："+(endTime-startTime)+"ms");
        }
    
    }

![这里写图片描述][20160401185527497]  
![这里写图片描述][20160401185645857]

[ftp_ftp.foolabs.com_pub_xpdf_xpdf-3.02pl4-win32.zip]: ftp://ftp.foolabs.com/pub/xpdf/xpdf-3.02pl4-win32.zip
[ftp_ftp.foolabs.com_pub_xpdf_xpdf-chinese-simplified.tar.gz]: ftp://ftp.foolabs.com/pub/xpdf/xpdf-chinese-simplified.tar.gz
[20160401185527497]: /images/20220724/afe4e0a6721b415f92e6d76aed552875.png
[20160401185645857]: /images/20220724/cc988e7f79a246059c2160572a4e35ea.png