使用PDFBox处理PDF文档.doc

使用PDFBox处理PDF文档 在本书的前面所介绍的内容中，所处理的都是纯文本文件。但是事实上，人们用于保存信息的文件并不是纯文本格式。现在比较流行的文件存储格式有Adobe公司的PDF和Microsoft的Word、Excel等。在处理这些文件的时候，不能简单的从文件读取字符，需要根据他们特殊的格式提取内容。本章就将对比较流行的PDF、Word和Excel格式的处理工具逐一进行介绍。7.1 使用PDFBox处理PDF文档PDF全称Portable Document Format，是Adobe公司开发的电子文件格式。这种文件格式与操作系统平台无关，可以在Windows、Unix或Mac OS等操作系统上通用。PDF文件格式将文字、字型、格式、颜色及独立于设备和分辨率的图形图像等封装在一个文件中。如果要抽取其中的文本信息，需要根据它的文件格式来进行解析。幸好目前已经有不少工具能帮助我们做这些事情。7.1.1 PDFBox的下载最常见的一种PDF文本抽取工具就是PDFBox了，访问网址/projects/pdfbox/，进入如图7-1所示的下载界面。图7-1 PDFBox的下载页面读者可以在该网页下载其最新的版本。本书采用的是PDFBox-0.7.3版本。PDFBox是一个开源的Java PDF库，这个库允许你访问PDF文件的各项信息。在接下来的例子中，将演示如何使用PDFBox提供的API，从一个PDF文件中提取出文本信息。7.1.2 在Eclipse中配置以下是在Eclipse中创建工程，并建立解析PDF文件的工具类的过程。（1）在Eclipse的workspace中创建一个普通的Java工程：ch7。（2）把下载的PDFBox-0.7.3.zip解压，解压后的目录结构如图7-2所示。图7-2 解压后的PDFBox包（3）进入external目录下，可以看到，这里包括了PDFBox所有用到的外部包。复制下面的Jar包到工程ch7的lib目录下（如还未建立lib目录，则先创建一个）。l bcmail-jdk14-132.jarl bcprov-jdk14-132.jarl checkstyle-all-4.2.jarl FontBox-0.1.0-dev.jarl lucene-core-2.0.0.jar然后再从PDFBox的lib目录下，复制PDFBox-0.7.3.jar到工程的lib目录下。（4）在工程上单击右键，在弹出的快捷菜单中选择“Build Path-Config Build Path-Add Jars”命令，把工程lib目录下面的包都加入工程的Build Path。笔者机器上完整的工程目录如图7-3所示：图7-3 工程截图7.1.3 使用PDFBox解析PDF内容在刚刚创建的Eclipse工程中，创建一个ch7.pdfbox包，并创建一个PdfboxTest类。该类包含一个getText方法，用于从一个PDF中获取文本信息，其代码如下。代码7.1public void geText(String file) throws Exception / 是否排序 boolean sort = false;/ pdf文件名 String pdfFile = file;/ 输入文本文件名称 String textFile = null;/ 编码方式 String encoding = UTF-8;/ 开始提取页数 int startPage = 1;/ 结束提取页数 int endPage = Integer.MAX_VALUE;/ 文件输入流，生成文本文件 Writer output = null;/ 内存中存储的PDF Document PDDocument document = null;try try / 首先当作一个URL来装载文件，如果得到异常再从本地文件系统/去装载文件 URL url = new URL(pdfFile); document = PDDocument.load(url); / 获取PDF的文件名 String fileName = url.getFile(); / 以原来PDF的名称来命名新产生的txt文件 if (fileName.length() 4) File outputFile = new File(fileName.substring(0, fileName.length() - 4) + .txt); textFile = outputFile.getName(); catch (MalformedURLException e) / 如果作为URL装载得到异常则从文件系统装载 document = PDDocument.load(pdfFile); if (pdfFile.length() 4) textFile = pdfFile.substring(0, pdfFile.length() - 4) + .txt; / 文件输入流，写入文件倒textFile output = new OutputStreamWriter(new FileOutputStream(textFile), encoding); / PDFTextStripper来提取文本 PDFTextStripper stripper = null; stripper = new PDFTextStripper();/ 设置是否排序 stripper.setSortByPosition(sort);/ 设置起始页 stripper.setStartPage(startPage);/ 设置结束页 stripper.setEndPage(endPage);/ 调用PDFTextStripper的writeText提取并输出文本 stripper.writeText(document, output); finally if (output != null) / 关闭输出流 output.close(); if (document != null) / 关闭PDF Document document.close(); 在上面的代码中，getText方法接收一个String类型的参数，指定要提取的PDF文件路径。这个位置可以是一个URL或本地文件。然后函数调用PDFBox提供的PDFTextStripper类，设置提取过程中的一些属性（如起始页、是否排序等）。最后将文本提取并写入文件。7.1.4 运行效果下面看一下这个函数的运行效果，在PdfboxTest加入一个main函数，其代码如下。public static void main(String args) PdfboxTest test = new PdfboxTest(); try / 取得C盘下的index.pdf的内容 test.geText(C:index.pdf); catch (Exception e) e.printStackTrace(); 这里要处理一个index.pdf文件，该PDF文件的内容如图7-4所示。图7-4 要解析的PDF文档内容通过PdfboxTest处理后的文本文件如图7-5所示。图7-5 处理的结果可以看到，PDF中的文本已经被提取出来，保存于文本文件中了。其中第4行的超链接部分“POI News WebBlog”，在文本文件中已经被替换成了普通的纯文本。读者可以根据PDFBox所提供的API文档进一步查询其他功能。7.1.5 与Lucene的集成PDFBox还提供和Lucene的集成，它提供了一套简单的方法把PDF Documents加入到Lucene的索引中去，请看以下代码：Document lucenedocument = LucenePDFDocument.getDocument();其中，LucenePDFDocument是PDFBox中提供的一个类，它的getDocument被重载为3个方法，分别接收一个File对象、InputStream对象或者URL对象作为参数，然后从该参数传递进来的PDF文件中，提取并生成Lucene的Document对象。当通过PDFBox从一个PDF文档中得到一个Lucene Document后，可以直接使用IndexWriter把它加到Lucene的index中。LucenePDFDocument自动从PDF文件中提取各种元数据Field，并把它们加入到Document中。它提取的信息如表7-1所示。表7-1 PDFBox生成的Lucene Document格式Lucene Field名称说明path文件系统路径（如果文档是从文件装载）urlURL地址（如果文档是从网络装载）contents整个Document的内容，索引但不存储summaryDocument的内容前500个字符modified最后修改时间uidDocument的惟一IDCreationDate从PDF的meta-data获取Creator从PDF的meta-data获取Keywords从PDF的meta-data获取ModificationDate从PDF的meta-data获取Producer从PDF的meta-data获取Subject从PDF的meta-data获取Trapped从PDF的meta-data获取下面通过LucenePDFDocument，直接对PDF建立索引，在ch7.pdfbox包下面新建一个PdfLuceneTest类，该类的代码如下。代码7.2public class PdfLuceneTest public static void main(String args) try / IndexWriter存放索引到d:index下 IndexWriter writer = new IndexWriter(d:index, new StandardAnalyzer(), true); / LucenePDFDocument返回由PDF产生的Lucene Docuement Document d = LucenePDFDocument .getDocument(new File(C:index.pdf); / 写入索引 writer.addDocument(d); / 关闭索引文件流 writer.close(); / 读取d:index下的索引文件建立IndexSearcher IndexSearcher searcher = new IndexSearcher(d:index); / 对索引的contents Field进行查找关键词poi Term t = new Term(contents, poi); / 根据Term生成Query Query q = new TermQuery(t); / 搜索返回结果集 Hits hits = searcher.search(q); / 打印结果集 for (int i = 0; i hits.length(); i+) System.out.println(hits.do