前言
临时接到一个紧急需要处理的事项。业务侧一个同事有几千个PDF文件需要整理：需要从文件中的指定位置获取对应的编号和地址。
要的急，工作量大。所以就问到技术部有没有好的解决方案。
问技术的话就只能写个demo跑下了。
解决办法
1. 研究下PDF文档，找出解决方案
PDF的文档看起来比较简单，因为只是需要读取两个坐标位置的文本内容，而且位置相对固定。所以就直接用java的第三方库pdfbox来操作PDF文档。
2. 找个能操作PDF的第三方库pdfbox。
- 先下载pdfbox的jar包。
官网介绍 - pdfbox能干啥：
-
pdfbox是Apache软件基金会的一个开源项目，它提供API和工具来处理PDF文档。
-
pdfbox是Apache PDFBox的Java版本，它提供了一个类库，用于读取，写入，转换和创建PDF文档。
-
pdfbox支持处理各种PDF特性，如文本，字体，图像，表单字段，注释，书签，页面布局等。
-
pdfbox还提供了对加密和数字签名PDF文档的支持，以及对PDF文档的提取和合并。
-
pdfbox还提供了对PDF文档的验证，签名验证，加密验证和数字签名的支持。
-
PDFBox是一个用于处理PDF文档的Java库。它提供了一组功能强大的API，可以用于创建、修改和提取PDF文档的内容。PDFBox可以用于各种用途，包括生成PDF文档、提取文本和图像、合并和拆分PDF文件、添加水印和书签等。
-
PDFBox支持处理各种PDF特性，如文本、字体、图像、表单字段、注释、书签、页面布局等。它还提供了对加密和数字签名PDF文档的支持，以及对PDF文档的高级操作，如提取文本位置信息、提取图像和字体等。
-
3. maven加载包
pdfbox有三个大的版本，每个版本差异较大，这个时候如果要引入的时候，要注意对应的版本了，否则demo就有可能跑不起来。
pdfbox最新的大版本是3.0。作为新时代的青年，肯定要与时俱进。3.0肯定是要用上的。
3. 先验证下第三方库是否可行
下载jar包后，直接用java代码跑下demo。 demo读取pdf文档内容并输出文本数据到控制台
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();
}
}
发现demo跑起来后，报错。
原因是因为demo是2.0的版本，而当前的jar包是3.0的版本。PDDocument.load这个修改为Loader.load就OK了。
接下来，就是如何获取到指定坐标位置的文本内容。
4. 确认文本在PDF文档中的坐标位置。
确认PDF文本坐标一般有两种方案。
1. 代码校验（最精准）
先用demo跑下，看下是否可以读取到指定坐标位置的文本内容。
/**
* 获取文档坐标
* @param file PDF文件对象
* @param sourceTex 匹配的字符
* @return 坐标
*/
public static Point getPoint(File file,String sourceTex) {
Point point = new Point();
//获取文档坐标
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，发现可以读取到指定坐标位置的文本内容。
这里会有个小问题，就是返回的坐标点有的会有小数。因为当前返回类型float，所以需要转换成int。
2. 最直接粗暴的方法。
1. 福昕PDF文档工具。
2. 直接用福昕PDF文档定位工具定位坐标。
说实话，开发比较少用这种方式，因为感觉有点lower(其实是自己不太会用)
5. 整个demo先验证第三方库是否可行。
拿1个文件试试水
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();
}
}
结果能够正常输出对应的文本内容。
6. 整活上代码。
奉上全部demo代码
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: 验证pdfbox的可行性
*
* @author admin
* @date since 2023/8/8 18:44
*/
public class PdfDemo {
//要匹配的位置内容点
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();
}
/**
* 获取pdf文件列表
*
* @param folder 文件夹
* @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); // 递归调用，处理子文件夹
} else {
String fileName = file.getName();
if (fileName.toLowerCase().endsWith(".pdf")) {
mps.add(getLineData(file));
}
}
}
}
return mps;
}
/**
* 行数据
*
* @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;
}
/**
* 获得PDF指定坐标点文本值
*
* @param file 文件
* @param rectangles 矩形坐标
* @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);
// 获取区域的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;
}
}
7. 验证代码可行性
整理出来的excel，检查里面有些空格没有处理，就让业务自己批量替换一下。
因为代码只是一次性用的，就没有怎么进行封装了。总体来讲业务同事比较满意。
结论
- 第三方库pdfbox可以操作PDF文档。3.0版本之后和历史版本相差比较大，最好先阅读下源码。
- 坐标定位的话，可以用第三方也可以代码定位
- 如果代码后续想复用的话，最好抽离出公共方法
- 文件比较多的情况下，建议增加多线程处理。