<rt id="bn8ez"></rt>
<label id="bn8ez"></label>

  • <span id="bn8ez"></span>

    <label id="bn8ez"><meter id="bn8ez"></meter></label>

    Java學習

    java,spring,structs,hibernate,jsf,ireport,jfreechart,jasperreport,tomcat,jboss -----本博客已經搬家了,新的地址是 http://www.javaly.cn 如果有對文章有任何疑問或者有任何不懂的地方,歡迎到www.javaly.cn (Java樂園)指出,我會盡力幫助解決。一起進步

     

    pdfbox處理pdf文檔

     

    在本書的前面所介紹的內容中,所處理的都是純文本文件。但是事實上,人們用于保存信息的文件并不是純文本格式。現在比較流行的文件存儲格式有Adobe公司的PDF和Microsoft的Word、Excel等。在處理這些文件的時候,不能簡單的從文件讀取字符,需要根據他們特殊的格式提取內容。本章就將對比較流行的PDF、Word和Excel格式的處理工具逐一進行介紹。

    7.1 使用PDFBox處理PDF文檔

    PDF全稱Portable Document Format,是Adobe公司開發的電子文件格式。這種文件格式與操作系統平臺無關,可以在Windows、Unix或Mac OS等操作系統上通用。

    PDF文件格式將文字、字型、格式、顏色及獨立于設備和分辨率的圖形圖像等封裝在一個文件中。如果要抽取其中的文本信息,需要根據它的文件格式來進行解析。幸好目前已經有不少工具能幫助我們做這些事情。

    7.1.1 PDFBox的下載

    最常見的一種PDF文本抽取工具就是PDFBox了,訪問網址http://sourceforge.net/projects/pdfbox/,進入如圖7-1所示的下載界面。

    圖7-1 PDFBox的下載頁面

    讀者可以在該網頁下載其最新的版本。本書采用的是PDFBox-0.7.3版本。PDFBox是一個開源的Java PDF庫,這個庫允許你訪問PDF文件的各項信息。在接下來的例子中,將演示如何使用PDFBox提供的API,從一個PDF文件中提取出文本信息。

    7.1.2 在Eclipse中配置

    以下是在Eclipse中創建工程,并建立解析PDF文件的工具類的過程。

    (1)在Eclipse的workspace中創建一個普通的Java工程:ch7。

    (2)把下載的PDFBox-0.7.3.zip解壓,解壓后的目錄結構如圖7-2所示。

    圖7-2 解壓后的PDFBox包

    (3)進入external目錄下,可以看到,這里包括了PDFBox所有用到的外部包。復制下面的Jar包到工程ch7的lib目錄下(如還未建立lib目錄,則先創建一個)。

    l bcmail-jdk14-132.jar

    l bcprov-jdk14-132.jar

    l checkstyle-all-4.2.jar

    l FontBox-0.1.0-dev.jar

    l lucene-core-2.0.0.jar

    然后再從PDFBox的lib目錄下,復制PDFBox-0.7.3.jar到工程的lib目錄下。

    (4)在工程上單擊右鍵,在彈出的快捷菜單中選擇“Build Path->Config Build Path->Add Jars”命令,把工程lib目錄下面的包都加入工程的Build Path。筆者機器上完整的工程目錄如圖7-3所示:

    圖7-3 工程截圖

    7.1.3 使用PDFBox解析PDF內容

    在剛剛創建的Eclipse工程中,創建一個ch7.pdfbox包,并創建一個PdfboxTest類。該類包含一個getText方法,用于從一個PDF中獲取文本信息,其代碼如下。

    代碼7.1

    public void geText(String file) throws Exception {

    // 是否排序

       boolean sort = false;

    // pdf文件名

       String pdfFile = file;

    // 輸入文本文件名稱

       String textFile = null;

    // 編碼方式

       String encoding = "UTF-8";

    // 開始提取頁數

       int startPage = 1;

    // 結束提取頁數

       int endPage = Integer.MAX_VALUE;

    // 文件輸入流,生成文本文件

       Writer output = null;

    // 內存中存儲的PDF Document

       PDDocument document = null;

    try {

          try {

             // 首先當作一個URL來裝載文件,如果得到異常再從本地文件系統//去裝載文件

             URL url = new URL(pdfFile);

             document = PDDocument.load(url);

             // 獲取PDF的文件名

             String fileName = url.getFile();

            

    // 以原來PDF的名稱來命名新產生的txt文件

             if (fileName.length() > 4) {

                File outputFile = new File(fileName.substring(0, fileName.length() - 4) + ".txt");

                textFile = outputFile.getName();

             }

          } catch (MalformedURLException e) {

            

    // 如果作為URL裝載得到異常則從文件系統裝載

             document = PDDocument.load(pdfFile);

             if (pdfFile.length() > 4) {

                textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt";

             }

          }

          // 文件輸入流,寫入文件倒textFile

          output = new OutputStreamWriter(new FileOutputStream(textFile), encoding);

          // PDFTextStripper來提取文本

          PDFTextStripper stripper = null;

          stripper = new PDFTextStripper();

    // 設置是否排序

          stripper.setSortByPosition(sort);

    // 設置起始頁

           stripper.setStartPage(startPage);

    // 設置結束頁

          stripper.setEndPage(endPage);

    // 調用PDFTextStripper的writeText提取并輸出文本

          stripper.writeText(document, output);

       } finally {

          if (output != null) {

             // 關閉輸出流

             output.close();

          }

          if (document != null) {

             // 關閉PDF Document

             document.close();

          }

       }

    }

    在上面的代碼中,getText方法接收一個String類型的參數,指定要提取的PDF文件路徑。這個位置可以是一個URL或本地文件。然后函數調用PDFBox提供的PDFTextStripper類,設置提取過程中的一些屬性(如起始頁、是否排序等)。最后將文本提取并寫入文件。

    7.1.4 運行效果

    下面看一下這個函數的運行效果,在PdfboxTest加入一個main函數,其代碼如下。

    public static void main(String[] args) {

       PdfboxTest test = new PdfboxTest();

       try {

          // 取得C盤下的index.pdf的內容

          test.geText("C:\\index.pdf");

       } catch (Exception e) {

          e.printStackTrace();

       }

    }

    這里要處理一個index.pdf文件,該PDF文件的內容如圖7-4所示。

    圖7-4 要解析的PDF文檔內容

    通過PdfboxTest處理后的文本文件如圖7-5所示。

    圖7-5 處理的結果

    可以看到,PDF中的文本已經被提取出來,保存于文本文件中了。其中第4行的超鏈接部分“POI News WebBlog”,在文本文件中已經被替換成了普通的純文本。讀者可以根據PDFBox所提供的API文檔進一步查詢其他功能。

    7.1.5 與Lucene的集成

    PDFBox還提供和Lucene的集成,它提供了一套簡單的方法把PDF Documents加入到Lucene的索引中去,請看以下代碼:

    Document lucenedocument = LucenePDFDocument.getDocument(…);

    其中,LucenePDFDocument是PDFBox中提供的一個類,它的getDocument被重載為3個方法,分別接收一個File對象、InputStream對象或者URL對象作為參數,然后從該參數傳遞進來的PDF文件中,提取并生成Lucene的Document對象。

    當通過PDFBox從一個PDF文檔中得到一個Lucene Document后,可以直接使用IndexWriter把它加到Lucene的index中。LucenePDFDocument自動從PDF文件中提取各種元數據Field,并把它們加入到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名稱

    說明

    path

    文件系統路徑(如果文檔是從文件裝載)

    url

    URL地址(如果文檔是從網絡裝載)

    contents

    整個Document的內容,索引但不存儲

    summary

    Document的內容前500個字符

    modified

    最后修改時間

    uid

    Document的惟一ID

    CreationDate

    從PDF的meta-data獲取

    Creator

    從PDF的meta-data獲取

    Keywords

    從PDF的meta-data獲取

    ModificationDate

    從PDF的meta-data獲取

    Producer

    從PDF的meta-data獲取

    Subject

    從PDF的meta-data獲取

    Trapped

    從PDF的meta-data獲取

    下面通過LucenePDFDocument,直接對PDF建立索引,在ch7.pdfbox包下面新建一個PdfLuceneTest類,該類的代碼如下。

    代碼7.2

    public 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產生的Lucene Docuement

                Document d = LucenePDFDocument

                        .getDocument(new File("C:\\index.pdf"));

                // 寫入索引

                writer.addDocument(d);

                // 關閉索引文件流

                writer.close();

                // 讀取d:\index下的索引文件建立IndexSearcher

                IndexSearcher searcher = new IndexSearcher("d:\\index");

                // 對索引的contents Field進行查找關鍵詞poi

                Term t = new Term("contents", "poi");

                // 根據Term生成Query

                Query q = new TermQuery(t);

                // 搜索返回結果集

                Hits hits = searcher.search(q);

                // 打印結果集

                for (int i = 0; i < hits.length(); i++) {

                    System.out.println(hits.doc(i));

                }

            } catch (Exception e) {

                e.printStackTrace();

            }

        }

    }

    函數利用LucenePDFDocument的getDocument函數,從一個PDF文件直接返回一個Lucene的Document,其中包含有path、url、modified、contents、summary等Field,把它們直接寫入index,然后創建一個IndexSearcher,對contents字段經行檢索,查找關鍵詞“poi”(注意必須是小寫),程序的執行結果如圖7-6所示。

    圖7-6 搜索代碼的運行結果

    posted on 2009-06-11 16:25 找個美女做老婆 閱讀(7730) 評論(1)  編輯  收藏

    評論

    # re: pdfbox處理pdf文檔 2015-12-12 15:46 toria

    Exception in thread "main" java.lang.NullPointerException
    at org.fontbox.afm.AFMParser.main(AFMParser.java:318)  回復  更多評論   


    只有注冊用戶登錄后才能發表評論。


    網站導航:
     

    導航

    統計

    公告

    本blog已經搬到新家了, 新家:www.javaly.cn
     http://www.javaly.cn

    常用鏈接

    留言簿(6)

    隨筆檔案

    文章檔案

    搜索

    最新評論

    閱讀排行榜

    評論排行榜

    主站蜘蛛池模板: 亚洲国产精品狼友中文久久久| 怡红院免费的全部视频| 日日麻批免费40分钟日本的| 亚洲AV永久无码区成人网站 | 亚洲日本一区二区三区在线不卡| 亚洲AV成人一区二区三区观看| 搡女人真爽免费视频大全| 一本色道久久88—综合亚洲精品 | 国产伦精品一区二区三区免费迷| 亚洲日韩av无码中文| 免费黄色网址入口| 亚洲av综合日韩| 在线观看亚洲精品国产| 免费国产黄网站在线看| 亚洲av无码不卡私人影院| EEUSS影院WWW在线观看免费| 男人的天堂网免费网站| 亚洲A∨无码一区二区三区| 18女人腿打开无遮掩免费| 久久精品国产亚洲AV久| 国产精品色午夜视频免费看| 成人久久久观看免费毛片| 亚洲AV无码国产精品色午友在线 | 久久免费观看视频| 亚洲色图.com| 精品久久久久久久免费人妻| 黄页网址大全免费观看12网站| 亚洲午夜久久久久妓女影院| 最近2019中文字幕免费大全5 | 亚洲国产成人乱码精品女人久久久不卡| 一级做a爱过程免费视| 久久精品国产亚洲av麻豆| 97无码免费人妻超级碰碰夜夜| 国产成人va亚洲电影| 在线观看免费a∨网站| 一级中文字幕免费乱码专区| 亚洲一区二区影院| 国产jizzjizz视频全部免费| 免费看一区二区三区四区| 在线A亚洲老鸭窝天堂| 黄页免费的网站勿入免费直接进入 |