转载请注明来源：http://blog.csdn.net/loongshawn/article/details/51542309

相关文章：

• 《Apache PDFbox开发指南之PDF文本内容挖掘》
• 《 Apache PDFbox开发指南之PDF文档读取》

1、介绍

Apache PDFbox是一个开源的、基于Java的、支持PDF文档生成的工具库，它可以用于创建新的PDF文档，修改现有的PDF文档，还可以从PDF文档中提取所需的内容。Apache PDFBox还包含了数个命令行工具。
Apache PDFbox于2016年4月26日发布了最新的2.0.1版。

官网地址：https://pdfbox.apache.org/index.html

PDFBox 2.0.1 API在线文档：https://pdfbox.apache.org/docs/2.0.1/javadocs/

2、特征

Apache PDFBox主要有以下特征：
PDF读取、创建、打印、转换、验证、合并分割等特征。

3、开发实战

3.1、场景说明

读取PDF文本内容，样例中为读取体检报告文本内容。

3.2、所需jar包

pdfbox-2.0.1.jar下载地址

fontbox-2.0.1.jar下载地址

将上述两jar包添加到工程库中，如下：

3.3、代码编写

创建PdfReader类，编写下述功能函数。

package com.loongshaw;import java.io.File;
import java.io.FileInputStream;
import java.io.InputStream;import org.apache.pdfbox.io.RandomAccessBuffer;
import org.apache.pdfbox.pdfparser.PDFParser;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;public class PdfReader {public static void main(String[] args){File pdfFile = new File("/Users/dddd/Downloads/0571888890423433356rrrr_182-93201510313223336-2.pdf");PDDocument document = null;try{// 方式一：/** InputStream input = null; input = new FileInputStream( pdfFile ); //加载 pdf 文档 PDFParser parser = new PDFParser(new RandomAccessBuffer(input)); parser.parse(); document = parser.getPDDocument(); **/// 方式二：document=PDDocument.load(pdfFile);// 获取页码int pages = document.getNumberOfPages();// 读文本内容PDFTextStripper stripper=new PDFTextStripper();// 设置按顺序输出stripper.setSortByPosition(true);stripper.setStartPage(1);stripper.setEndPage(pages);String content = stripper.getText(document);System.out.println(content);     }catch(Exception e){System.out.println(e);}}}

3.4、过程说明

PDF文件加载有两种方式，无明显差异，方式二代码较简洁：

// 方式一： InputStream input = null;input = new FileInputStream( pdfFile );//加载 pdf 文档PDFParser parser = new PDFParser(new RandomAccessBuffer(input));parser.parse();document = parser.getPDDocument();// 方式二：document=PDDocument.load(pdfFile);                  

3.5、执行结果

4、小结

本文仅介绍了利用Apache PDFbox相关开发包读取PDF文本，其他复杂功能暂未涉及，需要大家自己线下探索、尝试。