java读取pdf的文字、图片、线条和对应坐标

pdf文档的内容都是坐标定位的，文档内容主要包含文本、图片、线条；对于表格的解析，可以通过判断线条的位置来判断表格。PDFBox的api，不是很方便把内容和对应坐标读取出来。
Pdf2Dom是一个按绝对坐标的方式来把pdf转成html渲染的，Pdf2Dom基于Apache PDFBox库。
需要解析的pdf文档内容:
需要用到pdfbox和pdf2dom两个依赖包

MyPdf.java解析pdf代码

package com.penngo.pdf;public class MyPdf extends PDFDomTree{public MyPdf() throws IOException {super();}protected void startNewPage(){System.out.println("====页码:" + pagecnt);super.startNewPage();}@Overrideprotected void renderText(String data, TextMetrics metrics){System.out.println("====文本:" + data + "," +  ",x:" + (int)metrics.getX() + ",top:" + (int)metrics.getTop() + ",width:" + (int)metrics.getWidth() + ",height:" + (int)metrics.getHeight() );curpage.appendChild(createTextElement(data, metrics.getWidth()));}@Overrideprotected void renderPath(List<PathSegment> path, boolean stroke, boolean fill) throws IOException{PathSegment path1 = path.get(0);System.out.println("====路径1:" + "x1:" + path.get(0).getX1() + ",y1:" + path1.getY1() + ",x2:" + path1.getX2() + ",y2:" + path1.getY2() + ",stroke:" + stroke + ",fill:" + fill);super.renderPath(path, stroke, fill);}@Overrideprotected void renderImage(float x, float y, float width, float height, ImageResource resource) throws IOException{System.out.println("====图片:" + "x:" + x + ",y:" + y + ",width:" + width + ",height:" + height);curpage.appendChild(createImageElement(x, y, width, height, resource));}public void parsePdf(PDDocument doc){try{DOMImplementationRegistry registry = DOMImplementationRegistry.newInstance();DOMImplementationLS impl = (DOMImplementationLS)registry.getDOMImplementation("LS");LSSerializer writer = impl.createLSSerializer();LSOutput output = impl.createLSOutput();writer.getDomConfig().setParameter("format-pretty-print", true);createDOM(doc);} catch (Exception e) {e.printStackTrace();}}public static void main(String[] args) {try {File pdfFile = new File("F:\\dev\\test\\test.pdf");PDDocument document = PDDocument.load(pdfFile);MyPdf pdfDomTree = new MyPdf();pdfDomTree.parsePdf(document);}catch(Exception e){e.printStackTrace();}}
}

运行结果：

====页码:0
====文本:文章：https://blog.csdn.net/penngo/article/details/125436956,x:90,top:81,width:312,height:13
====文本:1.2,x:90,top:112,width:14,height:13
====文本:安装,x:110,top:112,width:20,height:13
====文本:HTML,x:133,top:112,width:29,height:13
====文本:Publisher,x:166,top:112,width:46,height:13
====图片❌90.0,y:139.2,width:414.48,height:177.36
====文本:插件,x:215,top:112,width:20,height:13
====文本:表头,x:90,top:331,width:20,height:13
====文本:1,x:113,top:331,width:6,height:13
====文本:表头,x:196,top:331,width:20,height:13
====文本:2,x:220,top:331,width:6,height:13
====文本:表头,x:303,top:331,width:20,height:13
====文本:3,x:326,top:331,width:6,height:13
====文本:表头,x:409,top:331,width:20,height:13
====文本:4,x:433,top:331,width:6,height:13
====文本:列,x:90,top:362,width:10,height:13
====文本:1,x:103,top:362,width:6,height:13
====文本:列,x:196,top:362,width:10,height:13
====文本:2,x:209,top:362,width:6,height:13
====文本:列,x:303,top:362,width:10,height:13
====文本:3,x:316,top:362,width:6,height:13
====文本:列,x:409,top:362,width:10,height:13
====线条size:1
====线条0,x1:84.36,y1:321.83997,x2:510.94,y2:321.83997,stroke:true,fill:false
====线条size:1
====线条0,x1:84.36,y1:353.54,x2:510.94,y2:353.54,stroke:true,fill:false
====线条size:1
====线条0,x1:84.36,y1:385.24,x2:510.94,y2:385.24,stroke:true,fill:false
====线条size:1
====线条0,x1:84.6,y1:321.59998,x2:84.6,y2:385.0,stroke:true,fill:false
====线条size:1
====线条0,x1:191.1,y1:321.59998,x2:191.1,y2:385.0,stroke:true,fill:false
====线条size:1
====线条0,x1:297.6,y1:321.59998,x2:297.6,y2:385.0,stroke:true,fill:false
====线条size:1
====线条0,x1:404.15,y1:321.59998,x2:404.15,y2:385.0,stroke:true,fill:false
====线条size:1
====线条0,x1:510.7,y1:321.59998,x2:510.7,y2:385.0,stroke:true,fill:false
====文本:4,x:422,top:362,width:6,height:13

源码下载

java读取pdf的文字、图片、线条和对应坐标相关推荐

初次爬虫：读取PDF转成图片，再提取图片里的文字信息
读取PDF转成图片,再提取图片里的文字信息三步走第一步读取PDF并转换成图片第二步调用百度API来识别图片里面的文字信息第三步提取自己想要的文字信息三步走 1 读取PDF,将PDF转换 ...
java 图片识别提取_老司机帮您Java 提取/读取PDF中的图片
电脑现已成为我们工作.生活和娱乐必不可少的工具了,在使用电脑的过程中,可能会遇到Java 提取/读取PDF中的图片的问题,如果我们遇到了Java 提取/读取PDF中的图片的情况,该怎么处理怎么才能解决 ...
java读取pdf文本转换html
java读取pdf文本转换html 完整代码地址也就两个文件 java读取pdf中的纯文字,这里使用的是pdfbox工具包 maven引入如下配置 <dependency><gro ...
JAVA 替换pdf中文字
java 读取PDF文件内容进行替换需要使用到的包监听类(对需要替换的内容关键词进行匹配) 实体类(保存关键字字体格式信息以及其位置) 工具类(对关键字进行替换) 测试类需要使用到的包 ...
Java实现pdf文件转图片
Java实现pdf文件转图片文章顺序是按照测试类- -Service- -Service实现类- -工具类- - POM依赖. test测试类里 pdfPath:存放pdf源文件的地方 imgflo ...
Java读取pdf模板，并动态生成pdf文件，如动态生成准考证
Java读取pdf模板,并动态生成pdf文件,如动态生成准考证前几天遇到了一个生成准考证的需求,并提供用户下载,然后百度了一圈还是觉得使用itextpdf这个框架好用点.但是还需要找到一个能创建 ...
java 获取文件大小_利用百度AI OCR图片识别，Java实现PDF中的图片转换成文字
序言:我们在读一些PDF版书籍的时候,如果PDF中不是图片,做起读书笔记的还好:如果PDF中的是图片的话,根本无法编辑,做起笔记来,还是很痛苦的.我是遇到过了.我们搞技术的,当然得自己学着解决现在的痛 ...
java为PDF添加水印，图片水印和文字水印
java为PDF添加水印,文字水印和图片水印一个需求,下载pdf.word.excel文件时要带有水印,要求铺满.先分开,先介绍为PDF文件添加文字水印和图片水印. 所需jar包:itext-2.0 ...
Java 读取PDF中的文本和图片
本文将介绍通过Java程序来读取PDF文档中的文本和图片的方法.分别调用方法extractText()和extractImages()来读取. 使用工具:Free Spire.PDF for Java ...
java读取pdf三维图片_java 读取PDF文件生成图片形式
引入所需maven依赖 org.icepdf.os icepdf-core 6.2.2 javax.media jai_core JAVA代码工具类package com.util; import c ...

java读取pdf的文字、图片、线条和对应坐标

java读取pdf的文字、图片、线条和对应坐标相关推荐

最新文章

热门文章