如何使用Apache PDFBox从PDF文件中提取文本

我想用Apache PDFBox从给定的PDF文件中提取文本。

我写了这段代码：

PDFTextStripper pdfStripper = null; PDDocument pdDoc = null; COSDocument cosDoc = null; File file = new File(filepath); PDFParser parser = new PDFParser(new FileInputStream(file)); parser.parse(); cosDoc = parser.getDocument(); pdfStripper = new PDFTextStripper(); pdDoc = new PDDocument(cosDoc); pdfStripper.setStartPage(1); pdfStripper.setEndPage(5); String parsedText = pdfStripper.getText(pdDoc); System.out.println(parsedText); 

但是，我收到以下错误：

 Exception in thread "main" java.lang.NullPointerException at org.apache.fontbox.afm.AFMParser.main(AFMParser.java:304) 

我将pdfbox-1.8.5.jar和fontbox-1.8.5.jar添加到类路径中。

编辑

我添加了System.out.println("program starts"); 到程序的开头。

我运行它，然后我得到了与上面提到的相同的错误， program starts没有出现在控制台中。

因此，我认为我的课程路径有问题。

谢谢。

Answer 1

我执行了你的代码，它运行正常。 也许您的问题与您提交给文件的FilePath有关。 我将我的pdf放在C盘中并硬编码文件路径。我的代码是：

 // PDFBox 2.0.8 require org.apache.pdfbox.io.RandomAccessRead // import org.apache.pdfbox.io.RandomAccessFile; public class PDFReader{ public static void main(String args[]) { PDFTextStripper pdfStripper = null; PDDocument pdDoc = null; COSDocument cosDoc = null; File file = new File("C:/my.pdf"); try { // PDFBox 2.0.8 require org.apache.pdfbox.io.RandomAccessRead // RandomAccessFile randomAccessFile = new RandomAccessFile(file, "r"); // PDFParser parser = new PDFParser(randomAccessFile); PDFParser parser = new PDFParser(new FileInputStream(file)); parser.parse(); cosDoc = parser.getDocument(); pdfStripper = new PDFTextStripper(); pdDoc = new PDDocument(cosDoc); pdfStripper.setStartPage(1); pdfStripper.setEndPage(5); String parsedText = pdfStripper.getText(pdDoc); System.out.println(parsedText); } catch (IOException e) { // TODO Auto-generated catch block e.printStackTrace(); } } } 

Answer 2

使用PDFBox 2.0.7，这就是我获取PDF文本的方法：

 static String getText(File pdfFile) throws IOException { PDDocument doc = PDDocument.load(pdfFile); return new PDFTextStripper().getText(doc); } 

这样叫：

 try { String text = getText(new File("/home/me/test.pdf")); System.out.println("Text in PDF: " + text); } catch (IOException e) { e.printStackTrace(); } 

---

由于用户oivemaria在评论中提到：

您可以在应用程序中使用PDFBox，将其添加到build.gradle的依赖build.gradle ：

 dependencies { compile group: 'org.apache.pdfbox', name: 'pdfbox', version: '2.0.7' } 

以下是使用Gradle进行依赖关系管理的更多信息。

---

如果要将PDF格式保留在已分析的文本中， 请尝试使用PDFLayoutTextStripper 。

Answer 3

PdfBox 2.0.3也有一个命令行工具。

1. 下载jar文件
2. java -jar pdfbox-app-2.0.3.jar ExtractText [OPTIONS] [output-text-file]

 Options: -password  : Password to decrypt document -encoding 
 : UTF-8 (default) or ISO-8859-1, UTF-16BE, UTF-16LE, etc. -console : Send text to console instead of file -html : Output in HTML format instead of raw text -sort : Sort the text before writing -ignoreBeads : Disables the separation by beads -debug : Enables debug output about the time consumption of every stage -startPage  : The first page to start extraction(1 based) -endPage  : The last page to extract(inclusive)  : The PDF document to use [output-text-file] : The file to write the text to 

Answer 4

Maven dep：

   org.apache.pdfbox pdfbox 2.0.9  

然后将文件作为字符串获取pdf文本。

 private static String readPDF(File pdf) throws InvalidPasswordException, IOException { try (PDDocument document = PDDocument.load(pdf)) { document.getClass(); if (!document.isEncrypted()) { PDFTextStripperByArea stripper = new PDFTextStripperByArea(); stripper.setSortByPosition(true); PDFTextStripper tStripper = new PDFTextStripper(); String pdfFileInText = tStripper.getText(document); // System.out.println("Text:" + st); // split by whitespace String lines[] = pdfFileInText.split("\\r?\\n"); List pdfLines = new ArrayList<>(); StringBuilder sb = new StringBuilder(); for (String line : lines) { System.out.println(line); pdfLines.add(line); sb.append(line + "\n"); } return sb.toString(); } } return null; } 

Answer 5

这适用于使用pdfbox 2.0.6从具有文本内容的PDF文件中提取数据

 import java.io.File; import java.io.IOException; import org.apache.pdfbox.pdmodel.PDDocument; import org.apache.pdfbox.text.PDFTextStripper; import org.apache.pdfbox.text.PDFTextStripperByArea; public class PDFTextExtractor { public static void main(String[] args) throws IOException { System.out.println(readParaFromPDF("C:\\sample1.pdf",3, "Enter Start Text Here", "Enter Ending Text Here")); //Enter FilePath, Page Number, StartsWith, EndsWith } public static String readParaFromPDF(String pdfPath, int pageNo, String strStartIndentifier, String strEndIdentifier) { String returnString = ""; try { PDDocument document = PDDocument.load(new File(pdfPath)); document.getClass(); if (!document.isEncrypted()) { PDFTextStripperByArea stripper = new PDFTextStripperByArea(); stripper.setSortByPosition(true); PDFTextStripper tStripper = new PDFTextStripper(); tStripper.setStartPage(pageNo); tStripper.setEndPage(pageNo); String pdfFileInText = tStripper.getText(document); String strStart = strStartIndentifier; String strEnd = strEndIdentifier; int startInddex = pdfFileInText.indexOf(strStart); int endInddex = pdfFileInText.indexOf(strEnd); returnString = pdfFileInText.substring(startInddex, endInddex) + strEnd; } } catch (Exception e) { returnString = "No ParaGraph Found"; } return returnString; } }