PDFBox讀取文檔

在前一章中,我們已經學習瞭如何將文本添加到現有的PDF文檔。 在本章中,我們將學習如何從現有PDF文檔中讀取文本。

從現有的PDF文檔中提取文本

提取文本是PDFBox的主要功能之一。 可以使用PDFTextStripper類的getText()方法提取文本。 這個類從給定的PDF文檔中提取所有文本。

以下是從現有PDF文檔中提取文本的步驟。

第1步:加載現有的PDF文檔

使用PDDocument類的靜態方法load()加載現有的PDF文檔。 此方法接受一個文件對象作爲參數,因爲這是一個靜態方法,可以使用類名稱調用它,如下所示。

File file = new File("path_of_the_document"); 
PDDocument document = PDDocument.load(file);

第2步:實例化PDFTextStripper類

PDFTextStripper類提供了從PDF文檔中檢索文本的方法,因此,請按如下所示實例化此類。

PDFTextStripper pdfStripper = new PDFTextStripper();

第3步:檢索文本

使用PDFTextStripper類的getText()方法從PDF文檔讀取/檢索頁面的內容。 對於此方法,需要將文檔對象作爲參數傳遞。 此方法檢索給定文檔中的文本並以String對象的形式返回。

String text = pdfStripper.getText(document);

第4步:關閉文檔

最後,使用PDDocument類的close()方法關閉文檔,如下所示。

document.close();

示例

假設有一個PDF文檔(new-mul-doc.pdf),其中包含一些文本,如下所示。
PDFBox讀取文檔

此示例演示如何從上述PDF文檔中讀取文本。 在這裏,將創建一個Java程序並加載一個PDF文檔:new-mul-doc.pdf,該文檔保存在目錄:F:\worksp\pdfbox 中。 將此代碼保存在名稱爲ReadingText.java的文件中。

package com.yiibai;

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

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
public class ReadingText {

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

      //Loading an existing document
      File file = new File("F:\\worksp\\pdfbox\\new-mul-doc.pdf");
      PDDocument document = PDDocument.load(file);

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

      //Retrieving text from PDF document
      String text = pdfStripper.getText(document);
      System.out.println(text);

      //Closing the document
      document.close();

   }
}

執行上面示例代碼,得到以下結果 -

This is an example of adding text to a page in the pdf document. we can add as many lines
as we want like this using the ShowText()  method of the ContentStream class