pdfbox demo 例子

package com.ccx.pdfbox.test; import java.io.File; import java.io.FileOutputStream; import java.io.IOException; import java.io.OutputStreamWriter; import java.io.Writer; import java.util.HashMap; import java.util.Iterator; import java.util.List; import java.util.Map; import java.util.Set; import org.apache.pdfbox.pdmodel.PDDocument; import org.apache.pdfbox.pdmodel.PDDocumentCatalog; import org.apache.pdfbox.pdmodel.PDDocumentInformation; import org.apache.pdfbox.pdmodel.PDDocumentNameDictionary; import org.apache.pdfbox.pdmodel.PDEmbeddedFilesNameTreeNode; import org.apache.pdfbox.pdmodel.PDPage; import org.apache.pdfbox.pdmodel.PDResources; import org.apache.pdfbox.pdmodel.common.filespecification.PDComplexFileSpecification; import org.apache.pdfbox.pdmodel.graphics.xobject.PDXObjectImage; import org.apache.pdfbox.pdmodel.interactive.documentnavigation.outline.PDDocumentOutline; import org.apache.pdfbox.pdmodel.interactive.documentnavigation.outline.PDOutlineItem; import org.apache.pdfbox.util.PDFTextStripper; /** * 操作pdf文档的pdfbox工具的常用功能 * * @author * @version 1.0, 2010-07-11 */ public class AllFeatures { /** * 解析PDF，获取text内容 * * @param file_path_name * @return String类型的text内容 */ public String getText(String file_path_name) { // 是否排序 boolean sort = true; // pdf文件名 String pdfFile = file_path_name; // 输入文本文件名称 String textFile = null; // 编码方式 String encoding = "UTF-8"; // 开始提取页面 int startPage = 1; // 结束提取页面 int endPage = Integer.MAX_VALUE; // 文件输入流，输入文本文件 Writer output = null; // 内存中存储的PDF Document PDDocument document = null; // 返回的内容字符串 String returnStr = ""; try { // 装载文件 document = PDDocument.load(pdfFile); if (pdfFile.length() > 4) { textFile = pdfFile.substring(0, pdfFile.length() - 4) + ".txt"; } // 文件输出流，写入文件到textFile output = new OutputStreamWriter(new FileOutputStream(textFile),encoding); // PDFTextStripper来提取文本 PDFTextStripper 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writerText提取并输出文本 stripper.writeText(document, output); // 得到其中的text文本内容 returnStr = stripper.getText(document); } catch (Exception e) { e.printStackTrace(); } finally { try { if (output != null) { output.close(); } if (document != null) { document.close(); } } catch (IOException e) { e.printStackTrace(); } } return returnStr; } /** * 解析PDF，当pdf是由图片构成时，导出每张图片 * * @param file_path_name */ public void getImage(String file_path_name) { // 内存中存储的PDF Document PDDocument document = null; try { // 装载文件 document = PDDocument.load(file_path_name); PDDocumentCatalog cata = document.getDocumentCatalog(); // 得到所有页面的List List pages = cata.getAllPages(); // 用来记录每个页面的图片名 int count = 1; // 遍历每一页 for( int i = 0; i < pages.size(); i++ ) { PDPage page = (PDPage)pages.get(i); if( null != page ) { // 得到每个页面资源 PDResources res = page.findResources(); // 获取页面图片信息 Map imgs = res.getImages(); if( null != imgs ) { Set keySet = imgs.keySet(); Iterator it = keySet.iterator(); while( it.hasNext() ) { Object obj = it.next(); PDXObjectImage img = (PDXObjectImage)imgs.get(obj); // 保存图片 img.write2file( "d:/image" + count ); count++; } } } } } catch (IOException e) { e.printStackTrace(); }finally{ if( null != document ) try { document.close(); } catch (IOException e) { e.printStackTrace(); } } } /** * 解析PDF，得到一二级目录书签结构 * * @param file_path_name */ public void getAllCata(String file_path_name) { // 内存中存储的PDF Document PDDocument document = null; try { document = PDDocument.load(new File(file_path_name)); // 获得该pdf的目录对象 PDDocumentOutline root = document.getDocumentCatalog().getDocumentOutline(); // 一级目录 PDOutlineItem item = root.getFirstChild(); while( item != null ) { System.out.println( "Item:" + item.getTitle() ); // 二级目录 PDOutlineItem child = item.getFirstChild(); while( child != null ) { System.out.println( " Child:" + child.getTitle() ); // 下一个二级目录 child = child.getNextSibling(); } // 下一个一级目录 item = item.getNextSibling(); } } catch (IOException e) { e.printStackTrace(); } } /** * 解析PDF，得到pdf的元数据 * * @param file_path_name */ public void metadata(String file_path_name) { //导入pdf文档 PDDocument document = null; try { document = PDDocument.load(new File(file_path_name)); PDDocumentInformation info = document.getDocumentInformation(); // 输出总页数 System.out.println( "Page Count=" + document.getNumberOfPages() ); // 输出该文档主题 System.out.println( "Title=" + info.getTitle() ); // 输出该文档作者 System.out.println( "Author=" + info.getAuthor() ); // 输出该文档标题 System.out.println( "Subject=" + info.getSubject() ); // 输出该文档关键字 System.out.println( "Keywords=" + info.getKeywords() ); // 输出该文档创建者 System.out.println( "Creator=" + info.getCreator() ); // 输出该文档制作者 System.out.println( "Producer=" + info.getProducer() ); // 输出该文档创建日期 System.out.println( "Creation Date=" + info.getCreationDate() ); // 输出该文档修改日期 System.out.println( "Modification Date=" + info.getModificationDate()); // 输出该文档 System.out.println( "Trapped=" + info.getTrapped() ); } catch (IOException e) { e.printStackTrace(); } } }