Java學習

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。

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

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。

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