如何把pdf中的pdf文字提取工具出来的

来源：蜘蛛抓取(WebSpider) 时间：2017-10-14 03:39 标签： pdf文字提取
提取文本内容一：提取PDF格式文档内容
对于除了txt文本以外的其他格式的文本内容的提取都是需要依赖第三方工具。解析不同格式的文档，需要先下载相关工具包。
1）提取PDF格式文档内容。我用的都是最大众化，最普及的工具，这样方便学习，而且工具安全可靠。解析pdf运用最多的就是PDFBox，下载地址：
public class PdfHandler {
public String getDocument(InputStream is) throws
Exception {
COSDocument cosDoc = null;
&&&&&&&&&&
cosDoc = parseDocument(is);&
第二步：调用pdfbox中pdf解析器对pdf文档就行解析，并将结果赋值给COSDocument对象
}catch(IOException e){
&&&&&&&&&&
e.printStackTrace();
String docText = "";
&&&&&&&&&&
PDFTextStripper stripper = new PDFTextStripper();
&&&&&&&&&&
docText = stripper.getText(new
PDDocument(cosDoc));第三步：调用pdfbox中PDFTextStripper类对文档内容进行提取
&&&&&&&&&&
System.out.println(" doctext :: " +
docText);docText中就是提取的pdf文档内容
}catch(Exception e){
&&&&&&&&&&
e.printStackTrace();
return docT
private static COSDocument parseDocument(InputStream
is) throws Exception{
// pdf解析器
PDFParser parser = new PDFParser(is);
parser.parse();
return parser.getDocument();
public static void
main(String[] args) throws Exception{
PdfHandler ph = new PdfHandler();
Document doc = ph.getDocument(new FileInputStream(new
File("D:\\test\\2.pdf"))); 第一步：以流的形式传入pdf文档
代码很简单，上面代码即可运行，但是运行会报错：
Exception in thread "main"
java.lang.NoClassDefFoundError: org/fontbox/cmap/CMapParser
org.pdfbox.pdmodel.font.PDFont.parseCmap(PDFont.java:534)
org.pdfbox.pdmodel.font.PDFont.encode(PDFont.java:387)
org.pdfbox.util.PDFStreamEngine.showString(PDFStreamEngine.java:325)
org.pdfbox.util.operator.ShowText.process(ShowText.java:64)
org.pdfbox.util.PDFStreamEngine.processOperator(PDFStreamEngine.java:452)
org.pdfbox.util.PDFStreamEngine.processSubStream(PDFStreamEngine.java:215)
org.pdfbox.util.PDFStreamEngine.processStream(PDFStreamEngine.java:174)
org.pdfbox.util.PDFTextStripper.processPage(PDFTextStripper.java:336)
org.pdfbox.util.PDFTextStripper.processPages(PDFTextStripper.java:259)
org.pdfbox.util.PDFTextStripper.writeText(PDFTextStripper.java:216)
com.ty.test.testread.geText(testread.java:83)
com.ty.test.testread.main(testread.java:25)
原因：还缺少一个jar包。在下载的PDFBox文件夹中
找到FontBox.jar加入到项目中即可。
注意：解析的pdf文档必须是未加密的，加密的pdf文档时解析不成功的。程序无法对PDF进行解密的，除了你知道解密密码，不然无法办到。可以先下载一个破解PDF工具，先清楚密码，再操作。
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。

我要回帖

更多关于 pdf文字提取 的文章

 

随机推荐