Spring Boot 提取pdf中的文字

2021年6月24日 8点热度 0条评论 来源: 乱码行空

Spring Boot 提取pdf中的文字

提取pdf中的文字,由于字体不同,可能会提取出来乱码。(友情提示:建议先pdf文件转成图片,然后调用百度api提取文字,准确率高。跳转链接:https://blog.csdn.net/weixin_45652692/article/details/118190220)

pom.xml

        <dependency>
            <groupId>org.apache.pdfbox</groupId>
            <artifactId>pdfbox</artifactId>
            <version>2.0.20</version>
        </dependency>
        <!--  提取pdf中的文字         -->
        <dependency>
            <groupId>com.itextpdf</groupId>
            <artifactId>itextpdf</artifactId>
            <version>5.5.6</version>
        </dependency>
        <!--获取pdf文件的总页数-->
        <dependency>
            <groupId>org.apache.pdfbox</groupId>
            <artifactId>pdfbox</artifactId>
            <version>1.8.11</version>
        </dependency>

PDFToWordUtils.java

import com.itextpdf.text.pdf.PdfReader;
import com.itextpdf.text.pdf.parser.PdfTextExtractor;
import jdk.nashorn.internal.ir.IfNode;
import org.apache.pdfbox.pdfparser.PDFParser;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.util.PDFTextStripper;
import org.springframework.stereotype.Component;

import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStream;

/** * @description: 提取PDF中的文字 * @author: LCHYUE * @time: 2021/6/15 9:29 */
@Component
public class PDFToWordUtils { 

    /** * @Description: 提取pdf中的文字 第一种方法 * @Param: fileUrlList:地址 * @Param: pages:页码 * @return: content:提取的文字 * @Author: LCHYUE * @Date: 2021/6/15 */
    public String PDFToWord(String fileUrlList) throws IOException { 
        //linux---start---
        fileUrlList=fileUrlList.replaceAll("\\\\", File.separator);
        //linux--end----
        Integer pages = PDFToPage(fileUrlList);
        String fileName = fileUrlList;//源文件的位置
        PdfReader reader = null;//PDF读取器
        reader = new PdfReader(fileName);
        String content = "";
        for (int i = 1; i <= pages; i++) { 
            content += PdfTextExtractor.getTextFromPage(reader, i); // 读取PDF中第i页(用哪一页就写几)的文档内容,并转成String
        }
        content = content.replace("\n", "");
        content = content.replace("\\\\r", "");
        content = content.replace("\\\\t", "");
        System.out.println(content);//控制台打印PDF第一页的内容
        return content;
    }

    /** * @Description: 提取pdf中的页码 * @Param: fileUrlList:地址 * @return: pages:页码数 * @Author: LCHYUE * @Date: 2021/6/15 */
    public int PDFToPage(String fileUrlList) { 
        //linux---start---
        fileUrlList=fileUrlList.replaceAll("\\\\", File.separator);
        //linux--end----
        File file = new File(fileUrlList);
        PdfReader pdfReader = null;
        try { 
            pdfReader = new PdfReader(new FileInputStream(file));
        } catch (IOException e) { 
            e.printStackTrace();
        }
        int pages = pdfReader.getNumberOfPages();
        System.out.println("pdf文件的总页数为:" + pages);
        return pages;
    }

    /** * @Description: 提取pdf中的文字 第二种方法 * @Param: pdfPath:地址 * @return: content:提取的文字 * @Author: LCHYUE * @Date: 2021/6/15 */
    public static String getTextFromPdf(String pdfPath) throws Exception { 
        // 是否排序

        boolean sort = false;

        // 开始提取页数

        int startPage = 1;

        // 结束提取页数

        int endPage = Integer.MAX_VALUE;


        String content = null;

        InputStream input = null;

        //linux---start---
        pdfPath=pdfPath.replaceAll("\\\\", File.separator);
        //linux--end----

        File pdfFile = new File(pdfPath);

        PDDocument document = null;

        try { 
            input = new FileInputStream(pdfFile);

            // 加载 pdf 文档

            PDFParser parser = new PDFParser(input);

            parser.parse();

            document = parser.getPDDocument();

            // 获取内容信息

            PDFTextStripper pts = new PDFTextStripper();

            pts.setSortByPosition(sort);

            endPage = document.getNumberOfPages();

            System.out.println("Total Page: " + endPage);

            pts.setStartPage(startPage);

            pts.setEndPage(endPage);

            try { 
                content = pts.getText(document);

            } catch (Exception e) { 
                throw e;

            }

            System.out.println("Get PDF Content ...");

        } catch (Exception e) { 
            throw e;

        } finally { 
            if (null != input)

                input.close();

            if (null != document)

                document.close();

        }

        content = content.replace("\n", "");
        content = content.replace("\\\\r", "");
        content = content.replace("\\\\t", "");
        System.out.println(content);
        return content;

    }
    public static void main(String[] args) throws Exception { 
// Integer page = PDFToPage("D:\\Desktop\\图书文件夹\\4.pdf");
// PDFToWord("D:\\Desktop\\图书文件夹\\4.pdf", page);

// Integer page = PDFToPage("D:\\图书.pdf");
// PDFToWord("D:\\图书.pdf", page);

        getTextFromPdf("D:\\Desktop\\图书文件夹\\4.pdf");

    }
}

    原文作者:乱码行空
    原文地址: https://blog.csdn.net/weixin_45652692/article/details/118188827
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系管理员进行删除。