如何从pdf文件中提取有用信息
2016-04-22 19:48
453 查看
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。
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
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
相关文章推荐
- IOS学习之——UIRefreshControl下拉刷新控件
- 新的起航
- 删除操作
- 队列、优先队列的学习
- 通过反射机制来实现findViewById
- LA4794 分享巧克力
- 回发或回调参数无效(译)
- Spark官方文档: Spark Configuration(Spark配置)
- [快速因数分解]Pollard's Rho 算法
- 对string的排序
- codeforces 633A
- "数学口袋精灵"bug的发现
- maven打包的时候 ,将依赖包 打进同一个jar包命令 mvn assembly:assembly -DskipTests
- 数字签名是什么?
- 16年4月21号:Git版本控制工具的使用
- 连连看核心算法代码
- 百万级PV高可用网站架构设计
- python中类的总结
- Sublime text快捷键汇总
- bzoj4542 大数 莫队算法