Java高效提取PDF文件指定坐標的文本內(nèi)容實戰(zhàn)代碼
更新時間：2024年01月18日 15:22:31 作者：沛沛老爹
在日常工作中,有時可能會需要從龐大的PDF文檔中提取其中所包含的文本內(nèi)容,下面這篇文章主要給大家介紹了關于如何利用Java高效提取PDF文件指定坐標的文本內(nèi)容,需要的朋友可以參考下
前言
臨時接到一個緊急需要處理的事項。業(yè)務側(cè)一個同事有幾千個PDF文件需要整理：需要從文件中的指定位置獲取對應的編號和地址。
要的急，工作量大。所以就問到技術部有沒有好的解決方案。
問技術的話就只能寫個demo跑下了。
解決辦法
1. 研究下PDF文檔，找出解決方案
PDF的文檔看起來比較簡單，因為只是需要讀取兩個坐標位置的文本內(nèi)容，而且位置相對固定。所以就直接用java的第三方庫pdfbox來操作PDF文檔。
2. 找個能操作PDF的第三方庫pdfbox。
- 先下載pdfbox的jar包。
官網(wǎng)介紹 - pdfbox能干啥：
pdfbox是Apache軟件基金會的一個開源項目，它提供API和工具來處理PDF文檔。
pdfbox是Apache PDFBox的Java版本，它提供了一個類庫，用于讀取，寫入，轉(zhuǎn)換和創(chuàng)建PDF文檔。
pdfbox支持處理各種PDF特性，如文本，字體，圖像，表單字段，注釋，書簽，頁面布局等。
pdfbox還提供了對加密和數(shù)字簽名PDF文檔的支持，以及對PDF文檔的提取和合并。
pdfbox還提供了對PDF文檔的驗證，簽名驗證，加密驗證和數(shù)字簽名的支持。
PDFBox是一個用于處理PDF文檔的Java庫。它提供了一組功能強大的API，可以用于創(chuàng)建、修改和提取PDF文檔的內(nèi)容。PDFBox可以用于各種用途，包括生成PDF文檔、提取文本和圖像、合并和拆分PDF文件、添加水印和書簽等。
PDFBox支持處理各種PDF特性，如文本、字體、圖像、表單字段、注釋、書簽、頁面布局等。它還提供了對加密和數(shù)字簽名PDF文檔的支持，以及對PDF文檔的高級操作，如提取文本位置信息、提取圖像和字體等。
3. maven加載包
pdfbox有三個大的版本，每個版本差異較大，這個時候如果要引入的時候，要注意對應的版本了，否則demo就有可能跑不起來。
pdfbox最新的大版本是3.0。作為新時代的青年，肯定要與時俱進。3.0肯定是要用上的。
4. 先驗證下第三方庫是否可行
下載jar包后，直接用java代碼跑下demo。 demo讀取pdf文檔內(nèi)容并輸出文本數(shù)據(jù)到控制臺
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import java.io.File;
import java.io.IOException;
public class PDFBoxDemo {
public static void main(String[] args) throws IOException {
PDDocument document = PDDocument.load(new File("D:\\pdf\\test.pdf"));
PDFTextStripper stripper = new PDFTextStripper();
String text = stripper.getText(document);
System.out.println(text);
document.close();
}
}發(fā)現(xiàn)demo跑起來后，報錯。
原因是因為demo是2.0的版本，而當前的jar包是3.0的版本。PDDocument.load這個修改為Loader.load就OK了。
接下來，就是如何獲取到指定坐標位置的文本內(nèi)容。
5. 確認文本在PDF文檔中的坐標位置。
確認PDF文本坐標一般有兩種方案。
1. 代碼校驗（最精準）
先用demo跑下，看下是否可以讀取到指定坐標位置的文本內(nèi)容。
/**
* 獲取文檔坐標
* @param file PDF文件對象
* @param sourceTex 匹配的字符
* @return 坐標
*/
public static Point getPoint(File file,String sourceTex) {
Point point = new Point();
//獲取文檔坐標
try {
PDDocument document = Loader.loadPDF(file);
PDFTextStripper textStripper = new PDFTextStripper() {
@Override
protected void writeString(String text, List<TextPosition> textPositions) throws IOException {
if (text.contains(targetText)) {
TextPosition textPositionStart = textPositions.get(0);
TextPosition textPositionEnd = textPositions.get(textPositions.size()-1);
point.setX(textPositionStart.getX());
point.setY(textPositionStart.getY());
}
}
};
textStripper.setSortByPosition(true);
textStripper.setStartPage(1);
textStripper.setEndPage(document.getNumberOfPages());
textStripper.getText(document);
document.close();
} catch (IOException e) {
e.printStackTrace();
}
return point;
}
跑完demo后，發(fā)現(xiàn)可以讀取到指定坐標位置的文本內(nèi)容。
這里會有個小問題，就是返回的坐標點有的會有小數(shù)。因為當前返回類型float，所以需要轉(zhuǎn)換成int。
2. 最直接粗暴的方法。
1. 福昕PDF文檔工具。
2. 直接用福昕PDF文檔定位工具定位坐標。
說實話，開發(fā)比較少用這種方式，因為感覺有點lower(其實是自己不太會用)
6. 整個demo先驗證第三方庫是否可行。
拿1個文件試試水
public static void main(String[] args) {
String filePath = "D:\\test\\test.pdf";
try {
PDDocument document = Loader.loadPDF(file);
PDFTextStripperByArea textStripper = new PDFTextStripperByArea ();
Rectangle rectangle = new Rectangle(80,120, 250,10);
String regionName = "regionName";
textStripper.addRegion(regionName, rectangle);
PDPage page = document.getPage(0);
textStripper.extractRegions(page);
String text = textStripper.getTextForRegion(regionName);
System.out.println(text);
textStripper.setSortByPosition(true);
textStripper.setStartPage(1);
textStripper.setEndPage(document.getNumberOfPages());
textStripper.getText(document);
document.close();
}catch (IOException e) {
e.printStackTrace();
}
}
結果能夠正常輸出對應的文本內(nèi)容。
7. 整活上代碼。
奉上全部demo代碼
package com.example.demo;
import cn.hutool.poi.excel.ExcelUtil;
import cn.hutool.poi.excel.ExcelWriter;
import com.alibaba.fastjson2.JSON;
import org.apache.pdfbox.Loader;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.pdmodel.PDPage;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.text.PDFTextStripperByArea;
import org.apache.pdfbox.text.TextPosition;
import org.springframework.boot.test.autoconfigure.data.cassandra.DataCassandraTest;
import java.awt.*;
import java.awt.geom.Rectangle2D;
import java.io.File;
import java.io.IOException;
import java.util.*;
import java.util.List;
import java.util.stream.Collectors;
/**
* Desc: 驗證pdfbox的可行性
*
* @author admin
* @date since 2023/8/8 18:44
*/
public class PdfDemo {
//要匹配的位置內(nèi)容點
private static final String[] target= {"name", "address"};
public static void main(String[] args) {
ExcelWriter excelWriter= ExcelUtil.getWriter("D:\\test\\pdf\\test.xls");
String folderPath = "D:\\test\\pdf";
File folder = new File(folderPath);
if (folder.exists() && folder.isDirectory()) {
List<Map<String,Object>> mps = listPdfFiles(folder);
excelWriter.write(mps, true);
} else {
System.out.println("Invalid folder path.");
}
excelWriter.close();
}
/**
* 獲取pdf文件列表
*
* @param folder 文件夾
* @return {@code List<Map<String,Object>>}
*/
private static List<Map<String,Object>> listPdfFiles(File folder) {
List<Map<String,Object>> mps = new ArrayList<>();
File[] files = folder.listFiles();
if (files != null) {
for (File file : files) {
if (file.isDirectory()) {
listPdfFiles(file); // 遞歸調(diào)用，處理子文件夾
} else {
String fileName = file.getName();
if (fileName.toLowerCase().endsWith(".pdf")) {
mps.add(getLineData(file));
}
}
}
}
return mps;
}
/**
* 行數(shù)據(jù)
*
* @param file 文件
* @return {@code Map<String,Object>}
*/
public static Map<String,Object> getLineData(File file){
Map<String,Object> lineData = new HashMap<>(target.length+2);
List<Point> pointList = getPoint(file);
String[] arr= getPointValue(file, pointList.stream().map(s -> new Rectangle(s.getX(), s.getY(), 260, 10)).toArray(Rectangle[]::new));
if(arr.length>=target.length) {
for(int i=0;i<target.length;i++)
{
lineData.put(target[i], arr[i]);
}
lineData.put("fileName", file.getName().toLowerCase().replace(".pdf", ""));
}
return lineData;
}
/**
* 獲得PDF指定坐標點文本值
*
* @param file 文件
* @param rectangles 矩形坐標
* @return {@code String[]}
*/
public static String[] getPointValue( File file,Rectangle... rectangles){
String[] textArr = new String[rectangles.length];
// String text="";
try {
PDDocument document = Loader.loadPDF(file);
PDFTextStripperByArea textStripper = new PDFTextStripperByArea ();
for(int i = 0; i < rectangles.length;i++ ) {
Rectangle rectangle =rectangles[i];
String regionName = "regionName"+rectangle.getX()+rectangle.getY();
textStripper.addRegion(regionName, rectangle);
PDPage page = document.getPage(0);
textStripper.extractRegions(page);
// 獲取區(qū)域的text
String text = textStripper.getTextForRegion(regionName);
text = text.replace("\u0000","-").replace(" ","");
System.out.println(">>text"+text);
textArr[i]=text;
}
textStripper.setSortByPosition(true);
textStripper.setStartPage(1);
textStripper.setEndPage(document.getNumberOfPages());
textStripper.getText(document);
document.close();
}catch (IOException e) {
e.printStackTrace();
}
return textArr;
}
public static List<Point> getPoint( File file){
List<Point> pointList=new ArrayList<>();
try {
PDDocument document = Loader.loadPDF(file);
PDFTextStripper textStripper = new PDFTextStripper() {
@Override
protected void writeString(String text, List<TextPosition> textPositions) throws IOException {
for(String target:target){
if (text.contains(target)) {
Point point = new Point();
TextPosition textPositionEnd = textPositions.get(textPositions.size() - 1);
point.setX((int) textPositionEnd.getEndX());
point.setY((int) textPositionEnd.getY());
pointList.add(point);
}
}
}
};
textStripper.setSortByPosition(true);
textStripper.setStartPage(1);
textStripper.setEndPage(document.getNumberOfPages());
textStripper.getText(document);
document.close();
} catch (IOException e) {
e.printStackTrace();
}
System.out.println(">>>>>pointList" + JSON.toJSONString(pointList));
return pointList;
}
}
8. 驗證代碼可行性
整理出來的excel，檢查里面有些空格沒有處理，就讓業(yè)務自己批量替換一下。
因為代碼只是一次性用的，就沒有怎么進行封裝了?？傮w來講業(yè)務同事比較滿意。
結論
- 第三方庫pdfbox可以操作PDF文檔。3.0版本之后和歷史版本相差比較大，最好先閱讀下源碼。
- 坐標定位的話，可以用第三方也可以代碼定位
- 如果代碼后續(xù)想復用的話，最好抽離出公共方法
- 文件比較多的情況下，建議增加多線程處理。
總結
到此這篇關于Java高效提取PDF文件指定坐標的文本內(nèi)容的文章就介紹到這了,更多相關Java提取PDF文件指定坐標文本內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
Java中l(wèi)ogback?自動刷新不生效的問題解決
本文主要介紹了Java中l(wèi)ogback?自動刷新不生效的問題解決，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2023-05-05
這篇文章主要介紹了Jmeter邏輯控制器事務控制器使用方法解析,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-11-11
一文了解SpringBoot是如何連接數(shù)據(jù)庫的
Spring Boot提供了一系列的開箱即用的功能和特性,使得開發(fā)人員可以快速構建和部署應用程序,下面這篇文章主要給大家介紹了關于SpringBoot是如何連接數(shù)據(jù)庫的相關資料,需要的朋友可以參考下2023-06-06
這篇文章主要給大家介紹了關于spring cloud zuul修改請求url的方法，文中通過示例代碼介紹的非常詳細，對大家學習或者使用spring cloud具有一定的參考學習價值，需要的朋友們下面來一起看看吧。2017-09-09
這篇文章主要給大家介紹了關于spring boot整合jsp及設置啟動頁面的相關資料，文中通過示例代碼介紹的非常詳細，對大家學習或者使用spring boot具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2018-09-09
Java異常java.lang.UnsatisfiedLinkError: no opencv_ja
這篇文章主要介紹了Java異常java.lang.UnsatisfiedLinkError: no opencv_java320 in java.library.path的解決方案,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2023-12-12
jstack報錯Unable to open socket file解決
這篇文章主要為大家介紹了jstack報錯Unable to open socket file的解決方法詳解,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進步,早日升職加薪2024-02-02
最近幾天在研究排序算法，看了很多博客，發(fā)現(xiàn)網(wǎng)上有的文章中對排序算法解釋的并不是很透徹，而且有很多代碼都是錯誤的，所以我根據(jù)這幾天看的文章，整理了一個較為完整的排序算法總結，本文中的所有算法均有JAVA實現(xiàn)，經(jīng)本人調(diào)試無誤后才發(fā)出，如有錯誤，請各位前輩指出2021-10-10
這篇文章主要介紹了詳解Spring Security 中的四種權限控制方式，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2020-10-10
MyBatis的動態(tài)SQL是基于OGNL表達式的,它可以幫助我們方便的在SQL語句中實現(xiàn)某些邏輯,下面這篇文章主要給大家介紹了關于Mybatis超級強大的動態(tài)SQL語句的相關資料,需要的朋友可以參考下2022-05-05