PDFBox 读取文本

PDFBox 库的主要功能之一是能够快速准确地从现有 PDF 文档中提取文本。在本节中，我们将学习如何使用 Java 程序从 PDFBox 库中的现有文档中读取文本。PDF 文档可能包含文本、动画和图像等作为其文本内容。我们可以使用PDFTextStripper 类的 getText() 方法从现有 PDF 文档中提取文本。

请按照以下步骤从现有 PDF 文档中读取文本

PDFBox 加载 PDF 文档

我们可以使用静态load()方法加载现有的 PDF 文档。此方法接受一个文件对象作为参数。我们也可以调用它使用类名PDDocument的的PDFBox的。

File file = new File("Path of Document");   
PDDocument doc = PDDocument.load(file);   

PDFTextStripper 类用于从PDF 文档中检索文本。我们可以将这个类实例化如下

PDFTextStripper pdfStripper = new PDFTextStripper();  

PDFBox 查找文本

getText()方法用于从 PDF 文档中读取文本内容。在这个方法中，我们需要将文档对象作为参数传递。此方法将文本作为字符串对象返回。

String text = pdfStripper.getText(doc);  

完成任务后，我们需要使用close()方法关闭PDDocument类对象。

doc.close();  

这是一个PDF文档，我们将使用Java程序的PDFBox库提取其中的文本内容。

package com.yiidian;

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

import java.io.File;
import java.io.IOException;

public class ExtractText {

    public static void main(String[] args) throws IOException {

        //Loading an existing document
        File file = new File("d:/blank.pdf");
        PDDocument doc = PDDocument.load(file);

        //Instantiate PDFTextStripper class
        PDFTextStripper pdfStripper = new PDFTextStripper();

        //Retrieving text from PDF document
        String text = pdfStripper.getText(doc);
        System.out.println("Text in PDF\n---------------------------------");
        System.out.println(text);

        //Closing the document
        doc.close();
    }
}  

输出结果为：