使⽤pdfbox解析中英⽂pdf⽂件package ad;
import java.io.Writer;
import java.MalformedURLException;
import java.URL;
import org.pdfbox.pdmodel.PDDocument;
import org.pdfbox.util.PDFTextStripper;
public class PdfboxText {
public static final String DEFAULT_ENCODING = "UTF-8";
// "ISO-8859-1";
// "ISO-8859-6";
// "US-ASCII";
/
/ "UTF-8";
// "UTF-16";
// "UTF-16BE";
// "UTF-16LE";
public String geText(String file) throws Exception {
// 是否排序
boolean sort = false;
//ArrayList<String> list = new ArrayList<String>();
// pdf⽂件名
String pdfFile = file;
// 输⼊⽂本⽂件名称
/
/ 编码⽅式
// 开始提取页
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;
使用dom4j解析xml文件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
} 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);
}
}
// ⽂件输⼊流,写⼊⽂件倒textFile
// 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);
// list.Text(document));
String text = Text(document);
// 调⽤PDFTextStripper的writeText提取并输出⽂本
return text;
} finally {
if (output != null) {
// 关闭输出流
output.close();
}
if (document != null) {
// 关闭PDF Document
document.close();
}
}
}
public static void main(String[] args) {
PdfboxText test = new PdfboxText();
try {
//ArrayList<String> list = new ArrayList<String>();
System.out.Text("E:\\java\\PdfText\\Dom4j解析XML.pdf")); } catch (Exception e) {
e.printStackTrace();
}
}
}
刚开始⽤的版本低不能解析中⽂⽂件,新版本⽀持中⽂,减少了不少功夫。
版权声明:本站内容均来自互联网,仅供演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198,我们将在24小时内删除。
发表评论