利用pdfbox读取pdf文件内容和图片

最近用pdfbox读取pdf文件中的内容和图片，可以获取每一页的内容和图片，但有个问题是没法获取图片在页面的位置。源码如下：

package com.util;

import java.awt.image.BufferedImage;
import java.io.BufferedInputStream;
import java.io.File;
import java.io.FileInputStream;
import java.io.InputStream;
import java.io.StringWriter;
import java.text.SimpleDateFormat;
import java.util.Calendar;
import java.util.Iterator;
import java.util.List;
import java.util.Map;
import java.util.Set;

import javax.imageio.ImageIO;

import org.apache.pdfbox.pdfparser.PDFParser;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDDocumentCatalog;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.PDResources;
import org.apache.pdfbox.pdmodel.graphics.xobject.PDXObjectImage;
import org.apache.pdfbox.util.PDFTextStripper;

public class PdfBoxUtil {

try {

InputStream inputStream = new BufferedInputStream(new FileInputStream(new File("D:/android/a.pdf")));
//PDFParser parser = new PDFParser( inputStream );
//parser.parse();
PDDocument pdfDocument = PDDocument.load(inputStream);
//PDDocument pdfDocument = parser.getPDDocument();
StringWriter writer = new StringWriter();
PDFTextStripper stripper = new PDFTextStripper();
stripper.writeText(pdfDocument, writer);
String contents = writer.getBuffer().toString();

/*
PDDocumentInformation documentInformation = pdfDocument.getDocumentInformation();
System.out.println("标题：" + documentInformation.getTitle());
PDDocumentInformation info = pdfDocument.getDocumentInformation();
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("作者:" + info.getTrapped());
System.out.println("创建时间:" + dateFormat(info.getCreationDate()));
System.out.println("修改时间:" + dateFormat(info.getModificationDate()));
*/

/** 文档页面信息 **/
PDDocumentCatalog cata = pdfDocument.getDocumentCatalog();

List pages = cata.getAllPages();
int count = 1;
for (int i = 0; i < pages.size(); i++) {
PDPage page = (PDPage) pages.get(i);

if (null != page) {

//本页面文字内容
StringWriter sw = new StringWriter();
PDFTextStripper pst = new PDFTextStripper();
pst.setStartPage(i+1);
pst.setEndPage(i+1);
pst.writeText(pdfDocument, sw);
String content = sw.getBuffer().toString();
System.out.println(content);

PDResources res = page.findResources() ;
// 获取页面图片信息
Map imgs = res.getImages();
if (null != imgs) {
Set keySet = imgs.keySet();
Iterator it = keySet.iterator();
while (it.hasNext()) {
Object obj = it.next();
PDXObjectImage img = (PDXObjectImage) imgs.get(obj);
img.write2file("D:/" + count);
count++;
}
}
}
}
} catch (Exception e) {
// TODO 自动生成 catch 块
e.printStackTrace();
}
}

public static String dateFormat(Calendar calendar) throws Exception {
if (null == calendar)
return null;
String date = null;
try {
String pattern = "yyyy-MM-dd";
SimpleDateFormat format = new SimpleDateFormat(pattern);
date = format.format(calendar.getTime());
} catch (Exception e) {
throw e;
}
return date == null ? "" : date;
}
}

最后实在没办法，只好将每一页的内容转换成图片。替换如上红色部分代码，将每一页打印成图片。

if (null != page) {

BufferedImage img1 = page.convertToImage();

File file = new File("D:/"+i+".PNG");
ImageIO.write(img1, "PNG", file);

}

环保网

利用pdfbox读取pdf文件内容和图片相关推荐

Java实现读取pdf文件内容(how to read pdf in java)
本文将利用pdfbox实现pdf文件内容的读取. 环境: 1. eclipse oxygen 2. maven 3.3 3. jdk 1.8 1.通过eclipse创建maven项目,最终项目目录如下 ...
PyPDF2读取PDF文件内容保存到本地TXT
利用PyPDF2读取PDF文件内容保存到本地TXT from PyPDF2.pdf import PdfFileReader import pandas as pddef Pdf_to_txt(pdf ...
python 读取文件读出来是什么格式-深入学习python解析并读取PDF文件内容的方法...
这篇文章主要学习了python解析并读取PDF文件内容的方法,包括对学习库的应用,python2.7和python3.6中python解析PDF文件内容库的更新,包括对pdfminer库的详细解释和应 ...
python中读取文件内容-深入学习python解析并读取PDF文件内容的方法
这篇文章主要学习了python解析并读取PDF文件内容的方法,包括对学习库的应用,python2.7和python3.6中python解析PDF文件内容库的更新,包括对pdfminer库的详细解释和应 ...
python读取pdf文件_深入学习python解析并读取PDF文件内容的方法
这篇文章主要学习了python解析并读取PDF文件内容的方法,包括对学习库的应用,python2.7和python3.6中python解析PDF文件内容库的更新,包括对pdfminer库的详细解释和应 ...
python怎么读取pdf文件_Python解析并读取PDF文件内容的方法
本文实例讲述了Python解析并读取PDF文件内容的方法.分享给大家供大家参考,具体如下: 一.问题描述利用python,去读取pdf文本内容. 二.效果三.运行环境 python2.7 四.需要 ...
java web之读取PDF文件内容
引入依赖编写工具类编写测试用例运行结果 1 引入依赖 <!-- https://mvnrepository.com/artifact/org.apache.pdfbox/pdfbox -- ...
python 保存pdf文件_PyPDF2读取PDF文件内容保存到本地TXT实例
我就废话不多说了,大家还是直接看代码吧! from PyPDF2.pdf import PdfFileReader import pandas as pd def Pdf_to_txt(pdf): f ...
pdfboxiText生成PDF文件格式及读取PDF文件内容的小示例--完美支持中文版
最近项目中有个需求需要将数据库中的数据导出到PDF文件中,所以在网上查找了相关的开源框架--pdfbox&itext 于是乎写了一个简单的工具类,如有需要的可以直接拿去用,切勿跟俺客气~. 本 ...

利用pdfbox读取pdf文件内容和图片

利用pdfbox读取pdf文件内容和图片相关推荐

最新文章

热门文章