需求：用java分页提取PDF文本。
PDFBox是一个很好的可以满足上述需求的开源工具。
1.PDF文档结构
要解析PDF文本，我们首先要了解PDF文件的结构。
关于PDF文档，最重要的几点：
一，PDF文档内容比较复杂，比如有纯文本（可以提取出其中的文字，可以用PDF软件中的“复制”功能）、图片（无法使用PDF软件中的“复制”功能）、表单、视频、音频等，总之形式比较复杂；
二，PDF文件采用二进制流与纯文字混合的编码模式，并且没有采用 Unicode 等标准字符编码方式，其字符编码采用 Adobe 公司内建的编码表（ CMap），这使得对 PDF 的处理更加困难；
三，PDF有自己的文件结构：文件头，对象集合，交叉引用表，结尾（准确地说，这是PDF文档的物理结构，还有逻辑结构，详情可以点击查看这篇博文）。
2.PDFBox是个什么玩意
- 授权协议： Apache
- 开发语言： Java
- 操作系统： 跨平台
- 官网：http://pdfbox.apache.org/
3.PDFBox能干啥
- 从PDF提取文本
- 合并PDF文档
- PDF 文档加密与解密
- 与Lucene搜索引擎的集成
- 填充PDF/XFDF表单数据
- 从文本文件创建PDF文档
- 从PDF页面创建图片
- 打印PDF文档
4.准备工作
再次声明，本demo功能是提取PDF文本（中文文本验证也通过）。
1) 下载好jar包（3个）：
a.fontbox-2.0.0-RC2.jar
b.pdfbox-2.0.0-RC2.jar
c.pdfbox-app-2.0.0-RC2.jar
下载地址1：我的下载
下载地址2：官网下载
2) myeclipse或eclipse。
5.开始编程
新建一个项目，写入下面的源码：
package com.primeton.pdfbox; import java.io.File;
import java.io.FileOutputStream;
import java.io.OutputStreamWriter;
import java.io.Writer; import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper; /**
* PDFBox解析PDF文本实现
* @author MrChen
*
*/ public class PDFReader {
/**
* @param args
*/
public static void main(String[] args) {
// TODO Auto-generated method stub
PDFReader pdfReader = new PDFReader();
System.out.println("E:\\AndroidStudio.pdf");
try {
// 取得E盘下的SpringGuide.pdf的内容
System.out.println("开始提取");
File file = new File("E:\\AndroidStudio.pdf");
System.out.println("文件绝对路径为："+file.getAbsolutePath());
pdfReader.readFdf(file);
System.out.println("提取结束");
} catch (Exception e) {
e.printStackTrace();
}
} public void readFdf(File pdfFile) throws Exception {
// 是否排序
boolean sort = false;
// 输入文本文件名称
String textFileName = null;
// 编码方式
String encoding = "UTF-8";
// 开始提取页数
int startPage = 1;
// 结束提取页数
int endPage = 3;
// 文件输入流，生成文本文件
Writer output = null;
// 内存中存储的PDF Document
PDDocument document = null; File outputFile = null;
try { // 从本地装载文件
//注意参数已不是以前版本中的URL.而是File。
System.out.println("开始装载文件"+pdfFile.getName());
document = PDDocument.load(pdfFile);
if (pdfFile.getName().length() > 4) {
textFileName = pdfFile.getName().substring(0, pdfFile.getName().length() - 4) + ".txt";
outputFile = new File(pdfFile.getParent(),textFileName);
System.out.println("新文件绝对路径为："+outputFile.getAbsolutePath()); }
System.out.println("装载文件结束"); System.out.println("开始写到txt文件中");
// 文件输入流，写入文件倒textFile
output = new OutputStreamWriter(new FileOutputStream(outputFile),encoding);
System.out.println("写入txt文件结束");
// PDFTextStripper来提取文本
PDFTextStripper stripper = null;
stripper = new PDFTextStripper();
// 设置是否排序
stripper.setSortByPosition(sort);
// 设置起始页
stripper.setStartPage(startPage);
// 设置结束页
stripper.setEndPage(endPage);
// 调用PDFTextStripper的writeText提取并输出文本
System.out.println("开始调用writeText方法");
stripper.writeText(document, output);
System.out.println("调用writeText方法结束");
}catch (Exception e) {
e.printStackTrace();
}finally {
if (output != null) {
// 关闭输出流
output.close();
}
if (document != null) {
// 关闭PDF Document
document.close();
}
}
}
}
解析PDF文本
有很多打桩的语句，可以自行去除。
同时，本程序也可以提取中文信息。
6.遇到的问题及解决方案
1)一开始使用的并不是PDFBox2.0版本，而是1.8版（2.0版本还是实验版本，故选用了早期的1.8版本）。但选择1.8版本，使用PDDocument.load(String)方法时，老是出现这个异常——“java.io.IOException: Push back buffer is full”。
解决方案：上述问题困扰了笔者很久。笔者为此重新复习了IO和NIO的一些知识，并查阅了PDFBox英文API文档（1.8版本），均无解决思路。后大量查阅资料得知，这可能是1.8版本出现的bug，2.0版本修复了此bug。笔者将jar包改为2.0版本，果然就好了。需要提醒的是，2.0版本PDDocument.load()方法参数为File类型，不再是String类型。可以参阅官方API文档。