Java中使用pdfbox提取PDF文件中的内容

引入pdfbox依赖，其版本号为1.8.10

	org.apache.pdfbox
	pdfbox
	1.8.10

import org.apache.pdfbox.pdmodel.PDdocument;
import org.apache.pdfbox.util.PDFTextStripper;

import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;

public class PdfUtil {

    
    public static String readText(String filePath)throws IOException {
        File file =new File(filePath);
        FileInputStream inputStream = new FileInputStream(file);
        PDdocument document = PDdocument.load(inputStream);
        PDFTextStripper stripper=new PDFTextStripper();
        stripper.setSortByPosition(true);
        String result=stripper.getText(document);
        document.close();
        return result;
    }
}

 测试文件demo.pdf中的内容为：

import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class Demo {

    public static void main(String[] args) throws Exception{
        String filePath="D:\demo.pdf";
        String content=PdfUtil.readText(filePath);
        //System.out.println("全部数据:"+content);
        // 正则表达式进行数据内容提取
        String regular = "\w{2}-\w{2}-\w{6}";
        Pattern pattern = Pattern.compile(regular);
        Matcher matcher = pattern.matcher(content);
        if (matcher != null && matcher.find()) {
            System.out.println("提取到数据："+matcher.group());
        } else {
            System.out.println("未提取到数据");
        }
    }
}

执行上述代码，其输出结果为：

提取到数据：12-34-567890