相關文章：

1、介紹

Apache PDFbox是一個開源的、基於Java的、支援PDF文件生成的工具庫，它可以用於建立新的PDF文件，修改現有的PDF文件，還可以從PDF文件中提取所需的內容。Apache PDFBox還包含了數個命令列工具。
Apache PDFbox於2016年4月26日釋出了最新的2.0.1版。

備註：本文程式碼均是基於2.0及以上版本編寫。

2、特徵

Apache PDFBox主要有以下特徵：
PDF讀取、建立、列印、轉換、驗證、合併分割等特徵。

3、開發實戰

3.1、場景說明

• 1、讀取PDF文字內容，樣例中為讀取體檢報告文字內容。

• 2、提取PDF文件中的圖片。這裡僅僅實現將PDF中的圖片另存為一個單獨的PDF，至於需要直接輸出圖片檔案（暫時沒有實現），大家可以參考我的程式碼加以拓展，主要就是處理PDImageXObject物件。

3.2、所需jar包

pdfbox-2.0.1.jar下載地址

fontbox-2.0.1.jar下載地址

將上述兩jar包新增到工程庫中，如下：

3.3、文字內容提取

3.3.1、文字內容提取

建立PdfReader類，編寫下述功能函式。

package com.loongshaw;

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

import org.apache.pdfbox.io.RandomAccessBuffer;
import org.apache.pdfbox.pdfparser.PDFParser;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

public class PdfReader {

    public static void main(String[] args){

        File pdfFile = new
 
 File("/Users/dddd/Downloads/0571888890423433356rrrr_182-93201510313223336-2.pdf");
        PDDocument document = null;
        try
        {
            // 方式一：
            /**
            InputStream input = null;
            input = new FileInputStream( pdfFile );
            //載入 pdf 文件
            PDFParser parser = new PDFParser(new RandomAccessBuffer(input));
            parser.parse();
            document = parser.getPDDocument();
            **/

            // 方式二：
            document=PDDocument.load(pdfFile);

            // 獲取頁碼
            int pages = document.getNumberOfPages();

            // 讀文字內容
            PDFTextStripper stripper=new PDFTextStripper();
            // 設定按順序輸出
            stripper.setSortByPosition(true);
            stripper.setStartPage(1);
            stripper.setEndPage(pages);
            String content = stripper.getText(document);
            System.out.println(content);     
        }
        catch(Exception e)
        {
            System.out.println(e);
        }

    }

}

3.3.2、過程說明

PDF檔案載入有兩種方式，無明顯差異，方式二程式碼較簡潔：

// 方式一：         
        InputStream input = null;
        input = new FileInputStream( pdfFile );
        //載入 pdf 文件
        PDFParser parser = new PDFParser(new RandomAccessBuffer(input));
        parser.parse();
        document = parser.getPDDocument();
 // 方式二：
        document=PDDocument.load(pdfFile);                  

3.3.3、執行結果

3.4、圖片提取（2016-12-02新增）

3.3.1、圖片提取

public static void readImage(){

        // 待解析PDF
        File pdfFile = new File("/Users/xiaolong/Downloads/test.pdf");      
        // 空白PDF
        File pdfFile_out = new File("/Users/xiaolong/Downloads/testout.pdf");

        PDDocument document = null;  
        PDDocument document_out = null;  
        try {  
            document = PDDocument.load(pdfFile);  
            document_out = PDDocument.load(pdfFile_out);  
        } catch (IOException e) {  
            e.printStackTrace();
        }  

        int pages_size = document.getNumberOfPages();

        System.out.println("getAllPages==============="+pages_size);  
        int j=0;

        for(int i=0;i<pages_size;i++) {  
            PDPage page = document.getPage(i);
            PDPage page1 = document_out.getPage(0);
            PDResources resources = page.getResources();  
            Iterable xobjects = resources.getXObjectNames();

            if (xobjects != null) {  
                Iterator imageIter = xobjects.iterator();  
                while (imageIter.hasNext()) {  
                    COSName key = (COSName) imageIter.next();  
                    if(resources.isImageXObject(key)){              
                        try {
                            PDImageXObject image = (PDImageXObject) resources.getXObject(key);

                            // 方式一：將PDF文件中的圖片 分別存到一個空白PDF中。
                            PDPageContentStream contentStream = new PDPageContentStream(document_out,page1,AppendMode.APPEND,true);

                            float scale = 1f;
                            contentStream.drawImage(image, 20,20,image.getWidth()*scale,image.getHeight()*scale);
                            contentStream.close();
                            document_out.save("/Users/xiaolong/Downloads/123"+j+".pdf");

                            System.out.println(image.getSuffix() + ","+image.getHeight() +"," + image.getWidth());

                            /**
                            // 方式二：將PDF文件中的圖片 分別另存為圖片。
                            File file = new File("/Users/xiaolong/Downloads/123"+j+".png");
                            FileOutputStream out = new FileOutputStream(file);

                            InputStream input = image.createInputStream();                   

                            int byteCount = 0;
                            byte[] bytes = new byte[1024];

                            while ((byteCount = input.read(bytes)) > 0)
                            {                       
                                out.write(bytes,0,byteCount);       
                            }

                            out.close();
                            input.close();
                            **/

                        } catch (IOException e) {
                            // TODO Auto-generated catch block
                            e.printStackTrace();
                        } 
                        //image count
                        j++;  
                    }                 
                }  
            } 
        } 

        System.out.println(j);
    }  

3.4.2、過程說明

此方法可以取出源PDF中圖片物件PDImageXObject，然後可以對該物件進行相關處理，本程式碼實現了將提取出來的每一個圖片物件，插入到一個空白的PDF文件中。

有一點需要說明，以上程式碼註釋部分本意是想直接生成圖片檔案，但嘗試後發現檔案異常。因此大家在這個程式碼基礎上有新的想法可以繼續嘗試。

3.4.3、執行結果

源PDF檔案中包含19張圖片

分別生成19個僅包含單獨圖片的PDF

4、小結

本文僅介紹了利用Apache PDFbox相關開發包讀取PDF文字，其他複雜功能暫未涉及，需要大家自己線下探索、嘗試。