java提取pdf文字内容（java，如何从pdf中提取想要的信息）

本文目录

• java，如何从pdf中提取想要的信息
• 怎样用iText读取pdf文件
• 用java读取pdf
• 用java如何提取pdf中的标题和作者

java，如何从pdf中提取想要的信息

都是用工具提取PDF文件页面的，PDF提取页面！

可能大家不清楚什么情况下可以处理此操作，因为接触过的很多资料都是PDF格式，有时自己证件扫描也会存进PDF文件，但其中某些页的内容自己想分离出来，存进一个新的PDF中就要进行页面的提取处理。

怎样用iText读取pdf文件

用iText读取pdf文件举例：
（1）在Eclipse中新建一个Java工程。
（2）下载相应的iText-5.0.2.jar并放到对应的lib目录下。在工程中创建包并创建测试类，该类包含一个inspect方法用于从一个PDF中获取文本，它接受两个参数，分别是PDF文件路径和输出流，指定要提取的PDF文件的路径和读取PDF所用的输出流，比如：PDF路径为E://text.pdf。然后调用iText提供的PdfReader类和PdfTextExtractor类，将PDF格式的文本提取出来并写入txt文件中。部分代码如下：
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.PrintWriter;
import com.itextpdf.text.DocumentException;

用java读取pdf

可以使用PDFBOX0.7.3控件：
import java.io.InputStream;import java.io.IOException;
import org.apache.lucene.document.Document;import org.pdfbox.cos.COSDocument;
import org.pdfbox.pdfparser.PDFParser;import org.pdfbox.pdmodel.PDDocument;
import org.pdfbox.pdmodel.PDDocumentInformation;import org.pdfbox.util.PDFTextStripper;
import com.search.code.Index;
public Document getDocument(Index index, String url, String title, InputStream is)throws DocCenterException {COSDocument cosDoc = null;《br/》 try {cosDoc = parseDocument(is);《br/》 } catch (IOException e) {
closeCOSDocument(cosDoc);
throw new DocCenterException("无法处理该PDF文档", e);
}
if (cosDoc.isEncrypted()) {
if (cosDoc != null)
closeCOSDocument(cosDoc);
throw new DocCenterException("该PDF文档是加密文档，无法处理");
}
String docText = null;
try {
PDFTextStripper stripper = new PDFTextStripper();
docText = stripper.getText(new PDDocument(cosDoc));
} catch (IOException e) {
closeCOSDocument(cosDoc);
throw new DocCenterException("无法处理该PDF文档", e);
}
PDDocument pdDoc = null;
try {pdDoc = new PDDocument(cosDoc);《br/》 PDDocumentInformation docInfo = pdDoc.getDocumentInformation();《br/》 if(docInfo.getTitle()!=null && !docInfo.getTitle().equals("")){《br/》 title = docInfo.getTitle();}
} catch (Exception e) {
closeCOSDocument(cosDoc);
closePDDocument(pdDoc);
System.err.println("无法取得该PDF文档的元数据" + e.getMessage());
} finally {
closeCOSDocument(cosDoc);
closePDDocument(pdDoc);
}
return null;
}
private static COSDocument parseDocument(InputStream is) throws IOException {
PDFParser parser = new PDFParser(is);parser.parse();return parser.getDocument();
}
private void closeCOSDocument(COSDocument cosDoc) {
if (cosDoc != null) {try {cosDoc.close();} catch (IOException e) {}
}}
private void closePDDocument(PDDocument pdDoc) {
if (pdDoc != null) {
try { pdDoc.close();
} catch (IOException e) {
}}}

用java如何提取pdf中的标题和作者

PDDocument document=PDDocument.load(fis);
PDDocumentInformation info = document.getDocumentInformation();
System.out.println("页数:"+document.getNumberOfPages());
System.out.println( "标题:" + info.getTitle() );
System.out.println( "主题:" + info.getSubject() );
System.out.println( "作者:" + info.getAuthor() );
System.out.println( "关键字:" + info.getKeywords() );
System.out.println( "应用程序:" + info.getCreator() );
System.out.println( "pdf 制作程序:" + info.getProducer() );
System.out.println( "Trapped:" + info.getTrapped() );
System.out.println( "创建时间:" + dateFormat( info.getCreationDate() ));
System.out.println( "修改时间:" + dateFormat( info.getModificationDate()));