如何从pdf文件中提取有用信息

首先，需要学习PDFBox，PDFBox项目中有两个子项目：FontBox和JempBox。FontBox是一个处理PDF字体的Java类库，JempBox是一个处理XMP元数据的Java类库。

PDF文档内容流中的数据可以被看成是操作符和操作数组组成的序列，从实现的角度看，PDF数据是一系列基本对象的集合：数组、布尔型、字典、数字、字符串和二进制流。

PDFBox的主要包介绍参见这位同学写的博客：

http://blog.csdn.net/chszs/article/details/9026439

这里，实现了一个简单的PDF提取文字方法，对PDF文件的第一页进行了提取。

import java.awt.Color;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.IOException;

import org.pdfbox.pdfparser.PDFParser;
import org.pdfbox.pdmodel.PDDocument;
import org.pdfbox.pdmodel.PDPage;
import org.pdfbox.util.PDFTextStripper;
import org.pdfbox.util.TextPosition;
import org.pdfbox.util.TextPositionComparator;

public class SimplePDFReader {
/**
* 这是一个简单的PDF读取方法，后续需要对输出的文字格式进行编辑
* 输入：PDF路径
* 输出：PDF文件中读取的文字
*/
public static String getTextFromPDF(String pdfFilePath) {
String result = null;
FileInputStream is = null;
PDDocument document = null;
try {
//使用文件输入流读取PDF存放路径
is=new FileInputStream(pdfFilePath);
//将输入流传入进行转换器PDFParser
PDFParser parser =new PDFParser(is);
parser.parse();
//从转换器获得PDDocument
document= parser.getPDDocument();
//将PDDocument放入文件剥离器PDFTextStripper剥离文字
PDFTextStripper stripper = new  PDFTextStripper();
//设置文本是否按照位置排序
stripper.setSortByPosition(true);
//设置起始页
stripper.setStartPage(1);
stripper.setEndPage(1);
result=stripper.getText(document);
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
} finally {
if (is != null) {
try {
is.close();
} catch (IOException e) {
e.printStackTrace();
}
}
if (document != null) {
try {
document.close();
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
}
}
return result;
}
public static void main(String[] args) {
String pdfFilePath="e:\\a\\1111.pdf";
String resultString =null;
resultString=getTextFromPDF(pdfFilePath);
System.out.println(resultString);
}
}

由于第一行文字中一班都包含了标题，我们可以这样提取下一行文字。

package PDFReader;

import java.io.File;
import java.io.FilenameFilter;

public class PaperNameMender {

public static void changePaperName(String filePath) {
//使用SimplePDFReader得到pdf文本
String ts = SimplePDFReader.getTextFromPDF(filePath);
//取得一行内容
String result = ts.substring(0,ts.indexOf('\n'));
System.out.println(result);
//得到源文件名字中最后一个逗点.的位置
int index =filePath.indexOf(".");
int nextindex = filePath.indexOf(".", index+1);
while(-1!=nextindex){
index=nextindex;
}
//合成新的文件名称
String newFileName = filePath.substring(0, index)+" "+result.trim()+".pdf";
File  originalFile = new File(filePath);
//修改文件名
originalFile.renameTo(new File(newFileName));
}
public static void main(String[] args) {
String pdfFilePath="e:\\a\\1111.pdf";
String resultString =null;
changePaperName(pdfFilePath);

}
}

后续疑问：观察发现，一般PDF文件的标题的字体都是大于正文字体的。书上说可以扩展org.pdfbox.util.PDFTextStripper类，重写

processTextPosition 方法来遍历PDF文件中的TextPosition对象（主要思路就是比较currentFontSize和bigestFontSize大小），用一下方法简单提取最大字体的文字，但是我没有找到。

PDF文件中的图像如何提取（我这里不是说生成，而是把已有的图片从PDF抽取出来），pdfbox的ikvm版本和iTextSharp都不支持图片的提取（如何把字节流转成二进制流），这个有人说使用xpdf的pdftoimage（生成的是ppm，然后再转换成你想要的图片格式）可以。这篇博客方法好像可以，大家可以一试。

http://www.cnblogs.com/Yesi/p/4203686.html