PDFBox - 读取文本

在上一章中，无涯教程了解了如何在现有的PDF文档中添加文本。在本章中将讨论如何从现有的PDF文档中读取文本。

提取文本是PDF框库的主要功能之一。您可以使用 PDFTextStripper 类的 getText()方法提取文本。此类从给定的PDF文档中提取所有文本。

以下是从现有PDF文档提取文本的步骤。

步骤1 - 加载现有文档

使用 PDDocument 类的静态方法 load()加载现有的PDF文档。该方法接受文件对象作为参数，因为这是一个静态方法，因此您可以使用类名调用它，如下所示。

无涯教程网

File file=new File("path of the document") 
PDDocument document=PDDocument.load(file);

步骤2 - 实例化类

PDFTextStripper 类提供了从PDF文档中检索文本的方法，因此，如下所示实例化该类。

PDFTextStripper pdfStripper=new PDFTextStripper();

步骤3 - 读取文字

您可以使用 PDFTextStripper 类的 getText()方法从PDF文档中读取/检索页面的内容。对于此方法，您需要将文档对象作为参数传递。此方法检索给定文档中的文本，并以String对象的形式返回。

String text=pdfStripper.getText(document);

步骤4 - 关闭文档

最后，使用PDDocument类的 close()方法关闭文档，如下所示。

document.close();

完整示例

假设无涯教程有一个PDF文档，其中包含一些文本，如下所示。

本示例演示了如何从上述PDF文档中读取文本。在这里，将创建一个Java程序并加载一个名为new.pdf的PDF文档，该文档保存在路径C:/ PdfBox_Examples /中。将此代码保存在名为ReadingText.java的文件中。

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

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
public class ReadingText {

   public static void main(String args[]) throws IOException {

      //加载现有文档
      File file = new File("C:/PdfBox_Examples/new.pdf");
      PDDocument document = PDDocument.load(file);

      //实例化PDFTextStropper类
      PDFTextStripper pdfStripper = new PDFTextStripper();

      //从PDF文档中检索文本
      String text = pdfStripper.getText(document);
      System.out.println(text);

      //关闭文件
      document.close();

   }
}

使用以下命令从命令提示符处编译并执行保存的Java文件。

链接：https://www.learnfk.comhttps://www.learnfk.com/pdfbox/pdfbox-reading-text.html

来源：LearnFk无涯教程网

javac ReadingText.java 
java ReadingText

执行后，上述程序将从给定的PDF文档中检索文本并显示如下所示。

This is an example of adding text to a page in the pdf document. we can add as many lines
as we want like this using the ShowText() method of the ContentStream class.