栏目分类:
子分类:
返回
名师互学网用户登录
快速导航关闭
当前搜索
当前分类
子分类
实用工具
热门搜索
名师互学网 > IT > 软件开发 > 后端开发 > Java

java代码实现对pdf文件文本和图片内容的提取

Java 更新时间: 发布时间: IT归档 最新发布 模块sitemap 名妆网 法律咨询 聚返吧 英语巴士网 伯小乐 网商动力

java代码实现对pdf文件文本和图片内容的提取

教程 pom文件引入jar依赖
		
		
			org.apache.pdfbox
			pdfbox
			3.0.0-RC1
		
		
			com.github.jai-imageio
			jai-imageio-jpeg2000
			1.3.0
		
java核心代码实现
import org.apache.pdfbox.Loader;
import org.apache.pdfbox.pdmodel.PDdocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.pdmodel.PDPageTree;
import org.apache.pdfbox.pdmodel.PDResources;
import org.apache.pdfbox.pdmodel.graphics.image.PDImageXObject;
import org.apache.pdfbox.text.PDFTextStripper;

import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.*;
import java.util.Iterator;

public class PDFUtil {

    public static void main(String[] args) throws IOException {
        //提取图片
        extractImages("C:\Users\liuya\Desktop\word\帆软报表帮助文档.pdf");
        //提取文字
        extractText("C:\Users\liuya\Desktop\word\帆软报表帮助文档.pdf");

    }


    
    public static void extractText(String path){
        try {
            File fdf = new File(path);
            //通过文件名加载文档
            PDdocument pdd = Loader.loadPDF(fdf);
            //获取文档的页数
            int pageNumber = pdd.getNumberOfPages();
            //剥离器(读取pdf文件)
            PDFTextStripper stripper = new PDFTextStripper();
            //排序
            stripper.setSortByPosition(true);
            //设置要读取的起始页码
            stripper.setStartPage(1);
            //设置要读取的结束页码
            stripper.setEndPage(pageNumber);
          //  System.out.println(stripper.getText(pdd));
            //生成的txt的文件路径
            String docPath =path.substring(0,path.lastIndexOf("."))+".txt";
            File doc = new File(docPath);
            if(!doc.exists()){
                doc.createNewFile();
            }
            //文件输出流
            FileOutputStream fos = new FileOutputStream(doc);
            Writer writer = new OutputStreamWriter(fos, "utf-8");
            stripper.writeText(pdd, writer);
            writer.close();
            fos.close();
            System.out.println("提取文本完成");
        } catch (Exception e) {
            e.printStackTrace();
        }
    }


    
    public static boolean extractImages(String path) {
        boolean result = true;
        try{
            File fdf = new File(path);
            //通过文件名加载文档
            PDdocument document = Loader.loadPDF(fdf);
            PDPageTree pages = document.getPages();
            Iterator iter = pages.iterator();
            //生成的txt的文件路径
            String  imagePath =path.substring(0,path.lastIndexOf("."));
            while(iter.hasNext()){
                PDPage page = iter.next();
                PDResources resources  =page.getResources();
                resources.getXObjectNames().forEach(e->{
                    try {
                        if(resources.isImageXObject(e)){
                            PDImageXObject imageXObject=(PDImageXObject)resources.getXObject(e);
                            BufferedImage bufferedImage= imageXObject.getImage();
                            System.out.println(bufferedImage);
                            ImageIO.write(bufferedImage,"jpg",new File(imagePath+"_"+e+".jpg"));
                        }
                    } catch (IOException ioException) {
                        ioException.printStackTrace();
                    }
                });
                System.out.println("----------------------------------------------");
            }
            System.out.println("提取图片完成");
        //    document.save(fdf);
            document.close();
        } catch(IOException ex){
            ex.printStackTrace();
            return false;
        }
        return result;
    }


}
idea控制台运行输出

 提取文件和原pdf文件在同一文件夹下

 原pdf内容部分展示

 

 提取文本展示

提取图片展示

 

 

相关文章推荐

JAVA实现对PDF文件加密、解密、暴力破解密码功能https://blog.csdn.net/weixin_40986713/article/details/120350764https://blog.csdn.net/weixin_40986713/article/details/120350764

干货来袭!几行代码实现pdf添加水印和去除水印https://blog.csdn.net/weixin_40986713/article/details/120198982https://blog.csdn.net/weixin_40986713/article/details/120198982

JAVA实现PDF合并、拆分代码工具类https://blog.csdn.net/weixin_40986713/article/details/120065363

     JAVA实现无损word转pdf文件完整代码教程https://blog.csdn.net/weixin_40986713/article/details/120416465https://blog.csdn.net/weixin_40986713/article/details/120416465

 如果有想要看的相关技术实现的文章,请在评论区留言,博主尽量满足!!!

转载请注明:文章转载自 www.mshxw.com
本文地址:https://www.mshxw.com/it/305214.html
我们一直用心在做
关于我们 文章归档 网站地图 联系我们

版权所有 (c)2021-2022 MSHXW.COM

ICP备案号:晋ICP备2021003244-6号